VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií

Transkript

1 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií DIPLOMOVÁ PRÁCE Brno, 2016 Bc. Michaela Pecníková

2 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ DEPARTMENT OF BIOMEDICAL ENGINEERING AUTOMATICKÁ DETEKCE K-KOMPLEXŮ VE SPÁNKOVÝCH SIGNÁLECH EEG AUTOMATIC DETECTION OF K-COMPLEXES IN SLEEP EEG SIGNALS DIPLOMOVÁ PRÁCE MASTER'S THESIS AUTOR PRÁCE AUTHOR Bc. Michaela Pecníková VEDOUCÍ PRÁCE SUPERVISOR doc. Ing. Jiří Kozumplík, CSc. BRNO 2016

3 Diplomová práce magisterský navazující studijní obor Biomedicínské inženýrství a bioinformatika Ústav biomedicínského inženýrství Studentka: Bc. Michaela Pecníková ID: Ročník: 2 Akademický rok: 2015/16 NÁZEV TÉMATU: Automatická detekce K-komplexů ve spánkových signálech EEG POKYNY PRO VYPRACOVÁNÍ: 1) Seznamte se s vlastnostmi K-komplexů ve spánkových signálech EEG a z dostupné literatury vytvořte přehled metod jejich detekce. 2) Z vytvořeného přehledu navrhněte, podrobně popište a realizujte algoritmus detekce těchto grafoelementů. 3) Otestujte spolehlivost realizované metody i jejich případných modifikací na všech signálech zpřístupněných autory doporučené literatury [1]. Data obsahují i polohy K-komplexů určené dvěma nezávislými experty. 4) Získané výsledky statisticky vyhodnoťte, porovnejte s výsledky dosažených jinými autory na stejných datech a vypracujte studii shrnující výsledky práce. DOPORUČENÁ LITERATURA: [1] DEVUYST, S., DUTOIT, T., STENUIT, P., KERKHOFS, M. Automatic K-complexes Detection in Sleep EEG Recordings using Likelihood Thresholds. In Proc. 32nd IEEE EMBS Int. Conf., Buenos Aires, Sept. 2010, pp [2] ERDAMAR, A., DUMAN, F., YETKIN, S. A wavelet and teager energy operator based method for automatic detection of K-Complex in sleep EEG. Expert Systems with Applications, Vol. 39, 2012, pp Termín zadání: Termín odevzdání: Vedoucí práce: Konzultant diplomové práce: doc. Ing. Jiří Kozumplík, CSc. prof. Ing. Ivo Provazník, Ph.D., předseda oborové rady UPOZORNĚNÍ: Autor diplomové práce nesmí při vytváření diplomové práce porušit autorská práva třetích osob, zejména nesmí zasahovat nedovoleným způsobem do cizích autorských práv osobnostních a musí si být plně vědom následků porušení ustanovení 11 a následujících autorského zákona č. 121/2000 Sb., včetně možných trestněprávních důsledků vyplývajících z ustanovení části druhé, hlavy VI. díl 4 Trestního zákoníku č.40/2009 Sb. Fakulta elektrotechniky a komunikačních technologií, Vysoké učení technické v Brně / Technická 3058/10 / / Brno

4 ABSTRAKT Tato práce se zabývá problémem detekce K-komplexů ve spánkovém EEG. Studium spánku je velmi důležité pro diagnostiku mozkových poruch a pro analýzu mozkových aktivit. Vzhledem k tomu, že K-komplex může mít širokou škálu tvarů, je velmi obtížné detekovat K-komplexy ručně. V této práci prezentuji metodu automatickou metodu detekce K-komplexů založenou na vlnkové transformaci, TKEO a dále metodu klasifikace za pomoci dopředné neuronové sítě. Výkon detekce dosáhl hodnot v rozmezí 52,9 až 83,6 %. KLÍČOVÁ SLOVA Elektroencefalografie(EEG), Polysomnografie(PSG), spánkové grafoelementy, K- komplex, vlnková transformace,tkeo, umělá neuronová síť, MATLAB ABSTRACT This paper addresses the problem of detecting K-complexes in sleep EEG. The study of sleep has become very essential to diagnose the brain disorders and analysis of brain activities. Since Kcomplex can have a wide variety of shapes it is very difficult to detect the K-complexes manually. In this paper, I present an automatic method for K-complexes detection based wavelet transform,tkeo and method for classification using feedforward multilayer neural network designed in Matlab. Detection performance reached the value approx. from 52,9 to 83,6 %. KEYWORDS Electroencephalography(EEG), Polysomnography(PSG), sleeping graphoelements, K- complex, wavelet transform, TKEO, artificial neural network, MATLAB PECNÍKOVÁ, Michaela Automatická detekce K-komplexů ve spánkových signálech EEG: diplomová práce. Brno: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií, Ústav biomedicínského inženýrství, s. Vedoucí práce byl doc. Ing. Jiří Kozumplík, CSc.

5 PROHLÁŠENÍ Prohlašuji, že svou diplomovou práci na téma Automatická detekce K-komplexů ve spánkových signálech EEG jsem vypracovala samostatně pod vedením vedoucího diplomové práce a s použitím odborné literatury a dalších informačních zdrojů, které jsou všechny citovány v práci a uvedeny v seznamu literatury na konci práce. Jako autorka uvedené diplomové práce dále prohlašuji, že v souvislosti s vytvořením této diplomové práce jsem neporušila autorská práva třetích osob, zejména jsem nezasáhla nedovoleným způsobem do cizích autorských práv osobnostních a/nebo majetkových a jsem si plně vědoma následků porušení ustanovení S 11 a následujících autorského zákona č. 121/2000 Sb., o právu autorském, o právech souvisejících s právem autorským a o změně některých zákonů (autorský zákon), ve znění pozdějších předpisů, včetně možných trestněprávních důsledků vyplývajících z ustanovení části druhé, hlavy VI. díl 4 Trestního zákoníku č. 40/2009 Sb. Brno (podpis autora)

6 PODĚKOVÁNÍ Ráda bych poděkovala vedoucímu diplomové práce panu doc. Ing. Jiřímu Kozumplíkovi, CSc. za odborné vedení, konzultace, trpělivost a podnětné návrhy k práci. Brno (podpis autora)

7 OBSAH Úvod 11 1 Spánek Faktory ovlivňující kvalitu spánku Fáze spánku Poruchy spánku Polysomnografie Postup vyšetření Klasifikace spánkových stádií R & K standard AASM standard Hypnogram Elektroencefalografie Snímání EEG Režimy zapojení Unipolární režim Bipolární režim EEG signál Charakteristika EEG Rytmy Alfa rytmus Beta rytmus Theta rytmus Delta rytmus Grafoelementy Artefakty Artefakty z prostředí Artefakty z EEG přístroje Artefakty z pacienta Metody detekce K-komplexů Detekce vycházející z výpočtu Teagerova-Kaiserova energetického operátoru Detekce využívající vlnkovou transformaci Detekce pomocí přizpůsobeného filtru

8 5.4 Detekce založená na pravděpodobnosti Detekce pomocí umělé neuronové sítě Realizace dekektoru K-komplexu využívající TKEO Předzpracování Filtrace Normalizace signálu Aplikace TKEO Rozhodovací parametry Statistické vyhodnocení Ukázky testování detektoru Realizace detektoru K-komplexů pomocí UNS Předzpracování Detekce významných bodů K-komplexu Vytvoření příznakového vektoru Normalizace Vytvoření sady dat pro klasifikaci Klasifikace pomocí umělé neuronové sítě Návrh umělé neuronové sítě Trénování a testování sítě Zobrazení výsledků klasifikace Ukázky testování detektoru Statistika Statistické metody Referenční hodnoty Spolehlivost Spolehlivost metody detekce využívající TKEO Spolehlivost metody detekce založené na UNS Srovnání realizovaných metod Přehled spolehlivosti metod používaných k detekci K-komplexů Závěr 89 Literatura 91 Seznam symbolů, veličin a zkratek 95 A Elektronické přílohy 97

9 SEZNAM OBRÁZKŮ 1.1 Příklad EEG spánkových stádií [1] Epochy pro jednotlivá stádia EEG signálu dle AASM standardu [13] Hypnogram pro AASM standard[2] Mezinárodní systém zapojení elektrod "10/20". [25] Zapojení elektrod v unipolárním režimu [25] Zapojení elektrod v bipolárním režimu [25] EEG rytmy: První záznam odpovídá beta aktivitě, druhý až čtvrtý ukazuje aktivitu alfa, pátý aktivitu theta a šestý aktivitu delta [1] EEG grafoelementy: K-komplex (a), vlny lambda (b), rytmus mí (c), hroty (d), ostré vlny (e,h), komplexy hrotů a vln (f), spánková vřetena (g), vícehrotové úseky (i) [1] K-komplex následovaný spánkovým vřetenem[17] Artefakty na EEG záznamu [12] Ukázka detekce pomocí Teagerova-Kaiserova energetického operátoru. První graf představuje původní EEG záznam, druhý graf ukazuje signál filtrovaný dolní propustí, na třetím grafu je znázorněna aplikace TKEO a poslední graf představuje detekci nad stanovenou prahovou hodnotou. [19] Rozhodovací kritéria pro detekci K-komplexu: [18] Rozkladový strom - pět stupňů rozkladu: [18] Rozhodovací kritéria pro detekci K-komplexu[22] Ukázka detekce pomocí přizpůsobeného filtru. První graf představuje referenční signál, druhý graf ukazuje původní signál a na třetím grafu je znázorněna přizpůsobená filtrace. [19] Křivka pro stanovení pravděpodobnosti, s kterou odpovídá daný útvar reálnému K-komplexu[28] Významné body K-komplexu [28] Model neuronu[27] Aktivační přenosové funkce neuronu[27] Vícevrstvá neuronová síť[27] Důležité body K-komplexu [20] Topologie dopředné UNS [20] Blokové schéma pro automatickou detekci K-komplexů pomocí TKEO Bázová funkce sym4 z rodiny Symlet [23] Šestistupňový rozklad stacionární vlnkové transformace: vpravo detaily jednotlivých stupňů rozkladu, vlevo aproximace jednotlivých stupňů rozkladu

10 6.4 Ukázka filtrace pomocí šestistupňového rozkladu SWT: nahoře původní signál, dole frekvenční pásmo 0-6 Hz Detail filtrace pomocí šestistupňového rozkladu SWT: nahoře původní signál, dole frekvenční pásmo 0-6 Hz Normalizace signálu Aplikace TKEO Aplikace filtru Savitzky-Golay na TKEO Ukázka správné detekce K-komplexů Ukázka detekce K-komplexů Ukázka vlivu rušení na úspěšnost detekce Ukázka špatné detekce Ukázka nevhodně stanovené prahové hodnoty Blokové schéma detektoru založeného na klasifikaci pomocí UNS Amplitudové spektrum spánkového EEG signálu Frekvenční přenosová a fázová charakteristika Butterworthova filtru Významné body K-komplexu: počátek t start (zeleně), konec t end (červeně), minimum idx min a maximum idx max (modře), t mid1 a t mid2 (žlutě)[28] Ukázka detekce významných bodů K-komplexu Boxplot příznaků pro experta Boxplot příznaků pro experta Vliv normalizace na trénování neuronové sítě Spánkové EEG signály s označenými počátky K-komplexů dle hodnocení experta Blokové schéma klasifikace pomocí UNS Průběhy kriteriálních funkcí pro jednu skrytou vrstvu Průběhy kriteriálních funkcí pro dvě skryté vrstvy Přenosové funkce jednotlivých vrstev: tansig, logsig, purelin Průběh trénování sítě v Neural Network Tollbox Trénovací funkce Statistické hodnoty pro jednotlivé trénovací funkce (expert 1) Matice záměn (Confusion matrix) Ukázka správné detekce a následné klasifikace K-komplexů Ukázka správné detekce a následné klasifikace K-komplexů Ukázka správné detekce a následné klasifikace K-komplexů Chybná detekce významných bodů Variabilita K-komplexů, které byly ohodnoceny experty Ukázka klasifikace K-komplexů pomocí UNS a porovnání s hypnogramem Chybná detekce významných bodů

11 8.1 Ukázka signálu s K-komplexy označenými expertem 1 a expertem Srovnání výstupu metod s K-komplexy označenými expertem Ukázka signálu s K-komplexy shodnými pro oba detektory

12 ÚVOD Spánek patří k základní fyziologickým potřebám, které jsou nezbytné pro správné fungování našeho organismu, protože při spánku dochází k regeneraci. Negativní vliv na náš spánek může mít např. stres, špatné stravovací návyky, léky nebo řada dalších problémů, které nás dnes a denně potkávají. Nedostatečný, nekvalitní nebo téměř žádný spánek může být důsledkem spánkových poruch, jako jsou např. nespavost, spánková appnoe nebo narkolepsie. Vzhledem k tomu, že spánek velkou mírou ovlivňuje kvalitu našeho života, zvyšuje se v poslední době zájem o klinickou diagnostiku a léčbu poruch spánku. Pro vyšetřování spánkových poruch je nejčastěji používáno polysomnografické vyšetření (PSG), kde se mimo jiné parametry snímáme především EEG, EOG a EMG. Polysomnografie nám umožňuje popsat architekturu spánku, jednotlivé fáze spánku a případně i odhalit příčiny jednotlivých poruch spánku. Vzhledem k tomu, že v průběhu polysomnografie získáváme dlouhé záznamy elektrické aktivity mozku, jejichž hodnocení je obtížné, časově náročné a také subjektivní, se v poslední době automatická detekce grafoelementů a spánkových fází stala aktivní oblastí výzkumu. Automatická detekce grafoelementů jako je např. K-komplex má v současnosti podpůrnou roli při hodnocení spánkové EEG odborníky. Tato diplomová práce pojednává o problematice elektroencefalografie, EEG signálu a především o automatické detekci K-komplexů. Práce je členěna do osmi kapitol. První kapitola pojednává o spánku a jeho fázích. Druhá kapitola se zabývá polysomnografickým vyšetřením. Ve třetí kapitole je nastíněna problematika elektroencefalografie a měření EEG signálu. Na třetí kapitolu navazuje kapitola popisující vlastní EEG signál, jednotlivé rytmy, grafoelementy a artefakty. Pátá kapitola je věnována přehledu metod, které se využívají pro automatickou detekci K- komplexu. Šestou kapitolou začíná praktická část práce, která se zabývá především návrhem a realizací detektoru využívajícího Teagerův-Kaiserův energetický operátor. V sedmé kapitole je následně popsán návrh a realizace metody automatické detekce K-komplexu využívající ke klasifikaci umělou neuronovou síť. V rámci kapitoly šest a sedm je nastíněna i samotná realizace detektorů v programovém prostředí Matlab. V kapitole osm je provedeno statistické vyhodnocení a jsou zde popsány získané výsledky. 11

13 1 SPÁNEK Spánek je jedna ze základních biologických potřeb organismu. O blahodárných účincích spánku není pochyb. Spánek umožňuje regeneraci buněk organismu, podílí se na udržování tělesného a duševního zdraví jedince. Spánek chápeme jako relaxaci, obnovení zásob energie a načerpání nových sil. Průměrný jedinec prospí celou jednu třetinu života. [5] Spánek je fyziologický stav vědomí, který se projevuje minimální fyzickou aktivitou, různou úrovní vědomí a v neposlední řadě i sníženou citlivostí na vnější podněty. Během spánku dochází ke změně činnosti mozku a uvolnění svalstva, dále se snižuje tělesná teplota a produkce tepla, frekvence dýchání a krevní tlak. Zdravý spánek je charakterizován minimálním pohybem, stereotypní spánkovou polohou a spánkovými epizodami, které se odehrávají podle předem daného vzorce. [5] Potřeba spánku je u každého člověka jiná. Zdravý člověk prospí denně průměrně 6-8 hodin, ale jsou také jedinci, kteří prospí i více než 9 hodin, avšak výjimkou nejsou ani jedinci, kteří nespí déle než 5 hodin.[5] 1.1 Faktory ovlivňující kvalitu spánku Jak již bylo zmíněno výše, potřeba spánku je pro každého z nás individuální. Existuje však několik faktorů, které spánek ovlivňují. Tyto faktory můžeme rozdělit na faktory biologické, psychické a sociální a na faktory životního prostředí.[4] Mezi faktory biologické patří můžeme zařadit věk, nemoc a stravovací návyky. Potřeba spánku se během života značně mění a to tak, že s přibývajícím věkem klesá. Nejvíce spánku potřebuje kojenec, který prospí hodin denně, dospělý člověk spí průměrně 8 hodin denně a nakonec nejkratší dobu spánku můžeme pozorovat u seniorů. Kromě délky spánku se v průběhu života mění i rozložení spánku v průběhu dne. Biologickým faktorem je i nemoc, většinou nemocný člověk potřebuje více spánku, protože bolest může narušovat průběh spánku. Spánek ovlivňují i potraviny, zatímco např. potraviny obsahující polysacharidy nebo tryptofan podporují usínání, káva a alkohol usnutí oddalují.[4] Psychickým a sociálním faktorem ovlivňujícím spánek je např. stres, konflikty v práci, ztráta zaměstnání, finanční starosti, nenaplnění životní role, nebo narušená socializace.[4] Posledním typem jsou faktory životního prostředí, mezi které spadá např. teplota, vlhkost vzduchu, světlo, hluk a lůžko. Hluk ovlivňuje náš spánek negativně. Přestože citlivost na hluk je u každého jedince různá, je dokázáno, že se zvyšující se hladinou akustického tlaku a s přibývajícím věkem se citlivost na hluk zvyšuje. [4] 12

14 1.2 Fáze spánku Spánek probíhá cyklicky, spolu s bděním se střídá v cirkadiánním rytmu a je řízen dvěma specializovanými oblastmi mozkového kmene - retikulárním aktivačním systémem a bulbární synchronizující oblastí v prodloužené míše. Spánek probíhá ve dvou základních fázích: REM (spánek s rychlými očními pohyby - z angl. Rapid Eye Movements ) a NREM (spánek bez rychlých očních pohybů - z angl. No Rapid Eye Movements), které se v průběhu spánku pravidelně střídají. REM fáze spánku je řízena noradrenalinem. Pro REM fázi je charakteristická intenzita mozkové činnosti obdobné úrovně jako v bdělém stavu, ztrácí se svalový tonus, výjimkou jsou okohybné svaly, které způsobují rychlé pohyby očí pod zavřenými víčky. Tepová frekvence se při REM fázi zvyšuje, dýchání je těžké a nepravidelné stejně jako puls. Mozek má v této fázi zvýšenou spotřebu kyslíku a změny průtoku krve vyvolávají u mužů erekci. Během REM spánku dochází ke stažení cév, což nám pomáhá objasnit poměrně častý výskyt srdečních příhod v ranních fázích spánku, kdy je podíl REM fáze největší. Převážná většina snů se odehrává v průběhu REM fáze. Sny v této fázi bývají často velice živé a nelogické. Sen si pamatujeme jen v případě, že se probudíme a zůstaneme chvíli vzhůru, protože pouze v bdělém vědomí si můžeme uložit sen jako vzpomínku, což vysvětluje to, že si nejčastěji pamatujeme ranní sny. Sen vzniká smísením vzpomínek z minulosti a asociací aktuálních pocitů. Sny odrážejí naši nepohodu, strach, obavy i dlouhodobou úzkost nebo deprese. REM fáze je chápána jako fáze sloužící k regeneraci psychických funkcí a někteří odborníci předpokládají, že právě v této fázi probíhá konsolidace paměti, jsou přebírají a uspořádány nové informace a stávají se součástí dlouhodobé paměti. Pro lidský organismus je ideální, když k probuzení dochází v REM fázi. Naopak probuzení v druhé z fází - NREM je nepříjemné. NREM spánek je spánková fáze bez rychlých očních pohybů, která je nastává po vyplavení serotoninu z příslušných oblastí mozku nebo jeho zvýšenou syntézou z aminokyseliny tryptofanu. Snění v NREM fázi je spíše výjimečné, sny jsou v této fázi podstatně kratší, neobsahují tolik vizuálních prvků a tak intenzita těchto prožitků je mnohem slabší. V průběhu NREM spánku dochází ke snížení aktivity neuronů, což odpovídá snížené úrovni metabolismu a nízké teplotě mozku. Dále v této fázi dochází k poklesu krevního tlaku a tepové frekvence, díky čemuž dochází k tělesné regeneraci a relaxaci oběhového systému a snižuje se tak riziko kardiovaskulárních onemocnění. Probuzení v této fázi spánku je nefyziologické, člověk nedosáhne správné regenerace organismu a cítí se po probuzení unaven. Pro přechod z bdění do NREM spánku je charakteristické snížení frekvence výskytu vln. NREM spánek lze rozdělit na další čtyři stadia, kdy se spánek postupně stále více prohlubuje. 13

15 Jednotlivá stádia NREM spánku: NREM 1: Tato fáze trvá velmi krátce, je to přechod od bdění k spánku. Člověk nacházející se v této fázi je klidný, ospalý, dochází k poklesu tepové frekvence a dýchání se prohlubuje a je pomalejší. V průběhu NREM 1 fáze se objevují pomalé oční pohyby a patrná je i určitá aktivita kosterního svalstva, mohou se objevovat záškuby. V této fázi spánku je možné spícího celkem lehce vzbudit. NREM 2: V této fázi osoba spí a nereaguje na normálně hlasitou řeč. NREM 2 fázi charakterizuje pokles svalového napětí, ztráta vědomí spícího. Na EEG jsou v této fázi pozorovatelná spánková vřetena a K-komplexy. Spícího můžeme bez větších problému vzbudit. NREM 3: Přechodem do NREM 3 upadá spící do tzv. hlubokého spánku. NREM 3 se označuje termínem spánku pomalých vln (slow wave sleping SWS). V této fázi už je člověka obtížné probudit např. hlukem, ale stále je možné jej vzbudit např. voláním jeho jména nebo dětským pláčem. V průběhu této fáze dochází ke svalové relaxaci a dále také k poklesu krevního tlaku a tělesné teploty. V NREM 3 mohou spící trpět nočním děsem, náměsíčností, nadměrným pocením a mluvením ze spaní. NREM 4: NREM 4 je hlubší fáze NREM 3. Je součástí tzv. hlubokého spánku a dochází zde k úplné svalové relaxaci, kdy se tělo fyzicky zotavuje. V této fázi spánku je člověk nejobtížněji probuditelný. Obr. 1.1: Příklad EEG spánkových stádií [1] 14

16 Spánek u dospělých lidí je charakteristický střídáním výše uvedených fází NREM a fáze REM. Uvedený cyklus fází se v průběhu noci opakuje v průměru čtyřikrát až pětkrát a jeden cyklus trvá přibližně minut. Zpočátku převažují fáze NREM, které se postupně zkracují a stávají se mělčí, kdežto REM fáze spánku se s délkou spánku prodlužuje. Spontánní probuzení obvykle nastává v REM spánku. Délka trvání jednotlivých stádií spánku se u každého člověka trochu liší. Délka těchto fází může být do jisté míry ovlivněna i tím, co jsme dělali během dne. Pro dobrý spánek by mělo být dodrženo procentuální zastoupení jednotlivých stádií spánku. Přibližné procentuální zastoupení jednotlivých fází spánku u mladého dospělého člověka ukazuje následující tabulka 1.1. Procentuální zastoupení jednotlivých fází spánku u dětí je odlišné,protože je tam vyšší podíl REM spánku, NREM 3 a NREM 4. Odlišuje se i u seniorů, kde dochází k poklesu procentuálního zastoupení NREM 3, NREM 4 a naopak se zvyšuje procentuální podíl bdělosti. Spánkové stádium procentuální zastoupení [%] Doba trvání [min] REM NREM NREM NREM 3 + NREM Tab. 1.1: Procentuální zastoupení jednotlivých stádií spánku spolu s dobou trvání [3] 1.3 Poruchy spánku Spánek je poměrně složitý proces, na jehož regulaci se podílí mnoho mozkových struktur jako je retikulární formace, mozková kůra, limbická systém a v neposlední řadě i thalamus. V současné době je popsáno několik desítek poruch spánku, z čehož plyne, že v dnešní době není možné zdravý spánek považovat za samozřejmost. Spánek má vliv na kvalitu našeho života a to je důvod toho, proč je výzkumu spánku, diagnostice a léčbě poruch spánku věnována větší pozornost. Hledají se příčiny poruch spánku a zjišťují se důsledky těchto poruch na lidské zdraví. [3] Poruchy spánku se v současné době dělí na poruchy krátkodobé, které se mohou objevovat v důsledku psychického vypětí nebo nepříjemného zážitku a na vážnější poruchy spánku. Vážnější poruchy spánku dělíme do následujících kategorii [3]: 1. Poruchy počátku spánku Insomnie (nespavost) - jedinec nemůže usnout 15

17 Dysfilaxie - dotyčný velmi rychlé usíná Diskoimnesis - u nemocného se doba k usínání se neúměrně prodlužuje 2. Poruchy zvýšené spavosti Hypersomnie (zvýšená spavost) - jedinec spí denně 12 a více hodin denně a často upadá do spánku i během dne Somnolence - nemocný jedinec má tendence ke spánku i během dne Narkolepsie - náhlé,krátké a nepřekonatelné potřeby spánku, postižený usíná i během činnosti Spánkový apnoický syndrom - během spánku je pravidelné dýchání přerušováno zástavami dechu 3. Poruchy rytmu spánku a bdění Dyssomnie - syndromy opožděného a předčasného usínání a jiné vzácné poruchy (obrácený rytmus spánku a bdění) 4. Poruchy při spánek a buzení Parasomnie chorobné stavy s různými příznaky doprovázející spánek Somnambulismus - náměsičnost Somnilogie - mluvení ze spaní Pavor nocturnus - noční děs Enuresis noctirna - mimovolné noční močení Bruxismus - skřípání zuby 5. Primární nedostatek spánku - jedinec z různých důvodu spí méně, než přirozeně potřebuje Výše zmiňované fáze spánku mají úzkou souvislost s poruchami spánku, tedy např. s problémy s usínáním, častým probouzením nebo náměsičností. Jednotlivé fáze spánku lze rozlišit pomocí vyšetřovací metody, která se nazývá polysomnografie. Díky polysomnografii se např. podařilo zjistit, že náměsičnost nebo noční děsy postihují pacienty právě v NREM 3 fázi spánku, proto se této vyšetřovací metodě budeme podrobněji věnovat v následující kapitole. [4] 16

18 2 POLYSOMNOGRAFIE Polysomnografie je základní diagnostická metoda vyšetřování spánku, která probíhá ve spánkových laboratoříh. PSG (polysomnografie) je většinou celonoční vyšetření, které nám umožňuje rozlišit bdění a spánek a zejména jednotlivá spánková stádia. Dle směrnice Mezinárodní federace klinické neurofyziologie (IFCN International Federation of Clinical Neurophysiology) z roku 1999 je polysomnografie definována jako simultánní monitorování několika fyziologických hodnot [14]. K základním technikám standardizovaného polysomnografického vyšetření obvykle řadíme EEG (elektroencefalografie), EMG (elektromyografie), EOG (elektrookulografie). Dále se podle charakteru spánkové poruchy základní techniky doplňují o měření parametrů, mezi které patří registrace proudu vzduchu při dýchání, registrace dýchacích zvuků, pohybů hrudníku a břicha, dále saturace hemoglobinu kyslíkem, svalová aktivita dolních končetin nebo EKG (elektrokardiografie). [6] Cílem polysomnografie je tedy identifikace příčin poruchy kvality spánku, nebo zjištění abnormalit, které se vyskytují během spánku. Polysomnografie se používá při diagnostice poruch spánku, ale může být indikována i při podezření na vážné onemocnění jako je epilepsie, schizofrenie nebo porucha dýchání při spánku.[14] 2.1 Postup vyšetření Polysomnografie se provádí ve spánkové laboratoři. Spánková laboratoř je speciálně upravená místnost, která je zvukově izolována od okolí a má dokonalé zatemnění. V této místnosti je umístěn polysomnografický přístroj, jehož součástí jsou je počítač, zesilovače, senzory a elektrody. Počítač slouží k řízení průběhu vyšetření, vyhodnocení výsledků a následné archivaci. Před vyšetřením je potřeba na tělo pacienta umístit elektrody pro snímání EEG, EOG a EMG, dále také senzory, které budou snímat např. hladinu kyslíku v krvi, tepovou frekvenci nebo krevní tlak. Záznam z vyšetření můžeme doplnit ještě sledování dýchání nebo videozáznam, ke kterému je ovšem nutné mít instalované infračervené osvětlení. Takto připravený pacient je připojen na monitorovací přístroj a mezi hodinou ulehne ke spánku. V průběhu spánku probíhá měření a ráno se pacient vzbudí buď spontánně, nebo je vzbuzen mezi 6. a 7. hodinou. Před vyšetřením by pacient neměl užívat léky ovlivňující spánek ani pít nápoje s povzbuzujícím účinkem. Dále by den před vyšetřením měl mít pacient běžný denní režim, aby nebyl výsledek vyšetření ovlivněn např. nedostatkem spánku nebo nadměrnou fyzickou aktivitou.[14] 17

19 2.2 Klasifikace spánkových stádií Vzhledem k tomu, že vizuální hodnocení polysomnografických dat nebylo jednotné, bylo třeba vytvořit standardní kritéria pro hodnocení záznamů, která by umožnila porovnávat výsledky z různých spánkových laboratoří. Z tohoto ohledu byl pro výzkum spánku významný rok 1968, kdy byla vytvořena jednotná klasifikace pro spánkové skórování. [7] R & K standard Standard určený ke skórování spánkových stádií, který vznikl v roce 1968, nese v názvu iniciály tvůrců Rechtschaffena a Kalese (tzv. R & K standard). Dle tohoto standardu můžeme spánek rozdělit do několika následujících fází: bdělost (Wake), epochu pohybových artefaktů (MT), REM spánek a non-rem spánek, přičemž NREM spánek se dále dělí na NREM 1, NREM 2, NREM 3 a NREM 4. Pro hodnocení pomocí tohoto standardu bylo doporučeno polysomnografická data rozdělit do 30 s epoch. Dojde-li k tomu, že je během jedné epochy přítomno více spánkových stádií, je epocha přiřazena spánkovému stádiu, které časově převládá. [7] AASM standard Přestože R & K standard, který vznikl v roce 1968, byl dlouhá léta považován za zlatý standard, vznikl díky rozvoji spánkové medicíny v roce 2004 nový standard, který již odrážel současné znalosti z oblasti spánku. AASM (angl. American Academy of Sleep Medicine) - tzv. americký standard byl v roce 2006 schválen představenstvem Americké akademie spánkové medicíny jako AASM Manuál pro skórování spánkových a přidružených událostí pravidla, terminologie a technické specifikace. Dle tohoto standardu dělíme spánek na dvě základní fáze: REM spánek a NREM spánek, který lze dělit do tří dalších stádií: N1, N2, N3. AASM standard se od R & K odlišuje tím, že zde není MT fáze a spánková stádia NREM 1, NREM 2, NREM 3 a NREM 4 se značí N1, N2, N3, přičemž fáze NREM 3 a NREM 4 je shrnuta do stádia N3. Spánková stádia hodnotíme stejně jako u R & K standardu, tj. v 30 s epochách. [7] 18

20 Obr. 2.1: Epochy pro jednotlivá stádia EEG signálu dle AASM standardu [13] 2.3 Hypnogram Jak již bylo výše zmíněno, spánek je charakteristický střídáním NREM a REM fáze. Tyto dvě fáze tvoří cyklus, který trvá přibližně minut a během spánku se průměrně čtyřikrát až pětkrát opakuje. Pomocí skórovacích metod, které byly výše vysvětleny, je po třicetisekundových epochách prováděno skórování, jehož výsledkem je přiřazení spánkového stádia jednotlivým epochám, čímž vznikne hypnogram viz. obr Hypnogram je tedy graf, který reprezentuje celonoční architekturu spánku neboli chronologickou posloupnost za sebou jdoucích fází spánku určených z celonočního záznamu EEG signálu. Jednotlivé epochy jsou posléze v hypnogramu označeny, značení však může být různorodé. Např. mohou být jednotlivá spánková stádia v hypnogramu označena následovně: 0 : W (bdělost) 1 : NREM 1 2 : NREM 2 3 : NREM 3 4 : NREM 4 5 : REM 9 : nezařazené úseky 19

21 Pomocí hypnogramu je následně možné diagnostikovat určitá spánková i jiná onemocnění na základě atypické distribuce spánkových stádií. [3][4] Obr. 2.2: Hypnogram pro AASM standard[2] 20

22 3 ELEKTROENCEFALOGRAFIE Elektroencefalografie je diagnostická metoda, která nám umožňuje získat záznam časové změny elektrického potenciálu vzniklého aktivitou mozku. Záznam z elektroencefalografického vyšetření se nazývá elektroencefalogram. Elektroencefalografie má velký význam v neurologii a psychologii, v diagnostice epilepsie, při vyšetření spánku a diagnostice jeho poruch. Použití této metody je poměrně jednoduché a především nemá kontraindikace. Mezi největší nedostatky této vyšetřovací metody patří nežádoucí rušení signálu způsobené např. špatným kontaktem elektrod s pokožkou, nedostatečným odstíněním a v neposlední řadě i fakt, že mozková aktivita má velmi malé napětí, řadově desítky mikrovoltů, proto je potřeba daný signál pro lepší zpracování zesílit. Elektrická aktivita mozku je snímaná pomocí elektrod, které mohou být umístěny na povrchu hlavy (neinvazivní metoda) nebo na povrchu kůry mozkové, kdy jde o invazivní metodu. 3.1 Snímání EEG Nejčastějším se v praxi setkáme s neinvazivním snímáním elektrické aktivity mozku pomocí povrchových elektrod. Při snímání EEG signálu je důležité dodržovat předepsané postupy a doporučené standardy. Elektrody jsou umísťovány podle jednotného systému zvaného "10/20", který zpravidla obsahuje 19 elektrod a k tomu dvě referenční umístěné na ušních boltcích. Název systému je odvozen ze způsobu měření, kdy je vzdálenost od dvou krajních poloh v podélné i příčné linii rozdělena na úseky po 10% nebo 20%. Význam jednotného systému elektrod spočívá v možnosti opakovaně provádět vyšetření.[25] Systém "10/20"celkově využívá 21 elektrod. Elektrody jsou označeny čísly, přičemž platí, že lichá čísla elektrod se nachází nad levou mozkovou hemisférou a sudá čísla nad pravou mozkovou hemisférou. Rozmístění elektrod dle systému "10/20"je znázorněn na obr Na obrázku je použito následující označení elektrod písmeny: F jako frontální (čelní), C jako centrální (střední), P jako parietální (temenní), T jako temporální (spánková), O jako okcipitální (týlní), a A jako aurikulární (ušní).[25] 21

23 Obr. 3.1: Mezinárodní systém zapojení elektrod "10/20". [25] 3.2 Režimy zapojení Pro snímání EEG lze použít několik režimů zapojení elektrod. Mezi nejčastější režimy zapojení elektrod patří unipolární a bipolární režim Unipolární režim Při unipolárním režimu je připojena společná referenční elektroda nejčastěji na ušním lalůčku, viz obr Tento systém zapojení umožňuje lépe pozorovat velikost a tvar vln a získat vyšší úroveň signálu. Obr. 3.2: Zapojení elektrod v unipolárním režimu [25] 22

24 3.2.2 Bipolární režim V tomto režimu zapojení elektrod není použita referenční elektroda a invertující vstup zesilovače je připojen na neinvertující vstup zesilovače následujícího. Obr. 3.3: Zapojení elektrod v bipolárním režimu [25] 23

25 4 EEG SIGNÁL Elektroencefalograf je křivka, která se skládá z několika prvků. První složkou EEG signálu jsou rytmy, kterými rozumíme nejjednodušší komponenty, na které lze křivku rozložit. Dalším prvkem je základní aktivita, tj. převažující aktivita, kterou registrujeme po většinu doby snímání. Poslední ale neméně důležitou částí EEG signálu jsou grafoelementy, což jsou rytmy nápadně vyčnívající ze základní aktivity. Tyto grafoelementy můžeme dělit na jednotlivé grafoelementy a na komplexy dvou a více grafoelementů. Jednotlivé prvky EEG křivky jsou podrobněji popsány níže. 4.1 Charakteristika EEG Při klasifikaci odborný pracovník určuje, zda je EEG záznam normální či abnormální, popřípadě zda obsahuje různé artefakty. Vzhledem k tomu, že mozková aktivita je úzce spjata s ontogenickým vývojem, je patrné, že se EEG záznam dospělého člověka výrazně liší od EEG záznamu dítěte. Významné rozdíly jsou i mezi EEG signálem snímaným v bdělém stavu a v ospalosti nebo spánku. Rytmy, které obsahuje spánkový EEG záznam, by v bdělém EEG záznamu byly klasifikovány jako patologické. Z toho plyne, že při hodnocení EEG záznamu je kladen velký důraz na znalost podmínek, za kterých bylo prováděno snímání EEG signálu.[8] Abychom mohli EEG signál správně interpretovat, je potřeba znát následující parametry [8]: 1. Věk pacienta 2. Stav vědomí pacienta 3. Medikaci 4. Stimuly 5. Zdroje možných artefaktů Při popisu EEG záznamu se zaměřujeme především na následující parametry: frekvence, amplituda, tvar, distribuce, symetrie, synchronie, rytmicita, periodicita, reaktivita, perzistence, které rozeznáváme v jednotlivých EEG vzorcích. [8] Frekvence - udává počet grafoelementů neboli vln, které se opakují za sekundu a je vyjádřena v Hz. Pomocí frekvence rozlišujeme jednotlivá frekvenční pásma (alfa, beta theta a delta), která budou popsána v následující kapitole. Amplituda - udává vertikální rozměr vzorce v mikrovoltech. Amplitudu dělíme na nízkou (pod 20μV ), střední (20 až 50 μv ) a vysokou (nad 50 μv ). Vzhledem k tomu, že amplitudu ovlivňuje mnoho faktorů (např. vzdálenost elektrod), nemá přesné měření amplitudy jednotlivých vln prakticky význam. 24

26 Tvar vln - vztahuje se k morfologii vzorců. Tvar vln rozlišujeme na pravidelný nebo nepravidelný, přičemž pravidelné vlny mají symetrickou vzestupnou a sestupnou fázi, kdežto u nepravidelných vln symetrie není. Dále vlny dělíme na monofázické, bifázické, trifázické nebo polyfázické dle toho, kolikrát protnou pomyslnou základní linii. Poslední rozdělení tvaru vln je na monomorfní - vlny tvořené pouze jednou frekvencí, polymorfní a sinusoidní. Distribuce - upřesnění výskytu dané aktivity či grafoelementů, kde je vzorec nejlépe zachycen. Dělení aktivity je následující: generalizovaná (EEG vzorce se vyskytují současně na obou stranách skalpu nebo ve všech svodech), laterární (vzorec se většinou objevuje pouze nad jednou hemisférou), fokální (aktivita je omezena na jednu elektrodu), regionální (aktivita bývá zachycena více sousedícími elektrodami). Symetrie - vztahuje se k amplitudě. Jedná se o výskyt aktivit stejného charakteru nad homologními místy obou hemisfér. Synchronie - popisuje vzájemný časový vztah vln a vzorců. Synchronii dělíme na simultární (současně se vyskytují vzorce, které nejsou ve fázi), bilaterární (vzorce jsou zachyceny ve stranově korespondujících elektrodách), asynchronní (vzorce bez časového vztahu vyskytující se na oběma polovinami hlavy). Rytmicita - popisuje opakování jednotlivých vln, které je buď rytmické (vlny se opakují se stejnou frekvencí), nebo arytmické (nepravidelné) Periodicita - popis opakujících se EEG vzorců Reaktivita - je změna, kterou lze navodit aplikací vnějších stimulů Perzistence - je frekvence, se kterou se daný EEG vzorec objevuje v delším úseku grafu. Výskyt v čase - kontinuální, epizodický, periodický 4.2 Rytmy Jak již bylo výše zmíněno, frekvence je parametr pro popis EEG signálu. EEG signál lze podle výskytu typických rytmů rozdělit do čtyř základních frekvenčních pásem uvedených v tabulce 4.1. Frekvenční pásma jsou označena písmeny řecké abecedy, přičemž toto označení není logické, ale historické. [8] Charakteristický průběh jednotlivých rytmů je na obr

27 Obr. 4.1: EEG rytmy: První záznam odpovídá beta aktivitě, druhý až čtvrtý ukazuje aktivitu alfa, pátý aktivitu theta a šestý aktivitu delta [1] Rytmus Frekvence [Hz] Rozkmit [μv ] Popis delta Hluboký spánek theta Usínání alfa Relaxace, zavřené oči beta Zvýšená pozornost Tab. 4.1: Přehled základních EEG rytmů a jejich charakteristika Alfa rytmus Alfa rytmus se nachází ve frekvenčním rozmezí 8-13 Hz. Amplituda tohoto rytmu se obvykle pohybuje mezi μv. V bdělém stavu je maximum alfa aktivity nad zadními oblastmi obou mozkových hemisfér, přičemž vyšší amplituda je na dominantní straně.[8] Alfa rytmus je charakteristický pro EEG záznam dospělé bdělé osoby v relaxovaném stavu se zavřenýma očima. Nejvíce je alfa aktivita patrná při relaxaci a u zavřených očí, protože dochází k pozitivní interferenci vlnění. Naopak k vymizení alfa rytmu dochází při mentální činnosti, soustředění, nebo v důsledku otevření očí. Alfa rytmus je nahrazen nízko amplitudovou vysokofrekvenční aktivitou rytmu beta 26

28 nebo gama. Tento fyziologický fenomén bývá označován jako blokáda alfa rytmu. Alfa rytmus se taktéž objevuje těsně před usnutím a k vymizení alfa rytmu dochází při usínání, kdy je alfa rytmus nahrazen elektrickou aktivitou charakteristickou pro spánek. Alfa rytmus je zejména aktivitou optického analyzátoru, proto lidé, kteří jsou od narození nevidomí, nemají vytvořenou alfa aktivitu.[8] Beta rytmus Beta rytmus se vyskytuje ve frekvenčním rozsahu od 13 do 30 Hz. Velikost amplitudy beta rytmu kolísá v rozmezí 2-30 μv. Trvání jednotlivých beta vln je 40 až 50 ms. [8] Beta rytmus se vyskytuje u zdravých dospělých jedinců při bdělém stavu nad frontálními laloky. Beta rytmus poukazuje na soustředění na vnější podněty, logickyanalytické myšlení. Je také typický pro pocity strachu, neklidu nebo hněvu. Beta rytmus s nízkou amplitudou a proměnnou frekvencí bývá spojován s myšlením a koncentrací. Naopak dlouhodobý výskyt rytmické beta aktivity může poukazovat na chorobu, bolest nebo ne užívání léků. Beta rytmus obvykle není utlumen pozorností ani zrakovým jevem, ale je utlumen při pohybu. Beta vlny se rovněž vyskytují během stádia REM spánku (rapid eye movement - spánek s rychlými očními pohyby). Zastoupení beta aktivity stoupá s věkem. [8] Theta rytmus Frekvence theta rytmu se pohybuje v rozmezí od 4 do 8 Hz a amplituda vln je 5 až 150 μv. Theta aktivita se objevuje při usínání a pak přechází v delta aktivitu. U zdravých osob se theta vlny objevují v centrální, temporální a parietální oblasti hlavy. Fyziologicky se theta aktivita objevuje u malých dětí, u starších dětí při ospalosti nebo meditaci. U dospělých jedinců jsou theta vlny přítomny na EEG záznamu pouze v povrchních spánkových stádiích, v bdělém stavuje jsou theta vlny patologické. Pokud jsou však theta vlny symetrické a mají amplitudu do 15 μv nelze poukazovat na patologický stav. Patologický stav theta vlny indikují v případě, že je amplituda theta vln alespoň dvakrát vyšší než alfa aktivita. Theta vlny se často pojí se živými vzpomínkami, meditací, hypnózou, obrazovou představivostí, fantazií, inspirací nebo se snem. [8] Delta rytmus Delta rytmus se nachází ve frekvenčním rozsahu 1-4 Hz, přičemž amplituda je μv. U novorozenců je delta aktivita v bdělém stavu fyziologická, u dospělých 27

29 je v bdělém stavu patologická. Čím má vlna delta větší amplitudu a je spektrálně čistší, tím je její patologický význam větší. Fyziologicky se delta vlny u dospělého jedince objevuje zejména při hypnóze, transu, bezvědomí ale zejména v hlubokém spánku, kdy podíl delta vln přibývá s hloubkou spánku. Zde se již nejedná o patologický jev, naopak během delta rytmu dochází ke hluboké regeneraci všech životních funkcí. [8] 4.3 Grafoelementy Grafoelementy, někdy nazývané také jako tranzienty, jsou charakteristické vlny vyskytující se v EEG signálu. Grafoelementy jsou vlny generované elektrickou aktivitou mozku, které však vystupují ze základní EEG aktivity a často bývají indikací patologických jevů, např. epilepsie. [16] Na následujícím obrázku 4.2 jsou patrné vybrané EEG grafoelementy. Tranzienty dělíme následovně na dvě skupiny: tranzienty epileptiformní fyziologické a tranzienty epileptiformní epileptogenní. Epileptiformní fyziologické tranzienty jsou vzorce, které svou morfologií připomínají abnormalitu epileptogenní. Epileptiformní vzorce často obsahují hroty, ostré vlny a jejich komplexy, ale jsou považovány za vzorce fyziologické. Pojem epileptogenní vyjadřuje, že daný vzorec je spojován s epileptickým onemocnění, tj. ve velké míře vyvolává epileptický záchvat.[16] Dle literatury [15] lze epileptiformní proces vymezit pomocí definice epileptické aktivity, pro kterou je charakteristická současná přítomnost epileptického záchvatu a abnormálního EEG záznamu. Epileptiformní aktivitu lze popsat jako pouze elektrografický záchvat avšak bez behaviorálního projevu záchvatu, čímž jsou myšleny neurologicky definované symptomy epilepsie. Z výše uvedeného plyne, že epileptiformní aktivita probíhá u pacientů trpících epilepsií interiktálně (mezi záchvaty). To znamená, že v EEG signálu probíhá elektrografický záchvat, který se však neprojeví jako záchvat epileptický. Epileptiformní aktivita může být i v EEG záznamu pacienta, u kterého epileptická záchvat nikdy neproběhl. Naopak někdy abnormality nenalezneme a v EEG záznamu ani po proběhlém záchvatu, důvodem může být to, že aktivita proběhla příliš hluboko. Pro správnou klinickou interpretaci EEG záznamu potřebujeme rozpoznat a odlišit epileptiformní fyziologické tranzienty od epileptiformních epileptogenních tranzientů Mezi epileptiformní fyziologické tranzienty patří především K-komplexy, vřetena, VOV (vertexové ostré vlny), BETS (Benigní epileptiformní tranzienty ve spánku) a další. Epileptiformní epileptogenní tranzienty jsou klasifikovány až po vyloučení epileptiformních fyziologických tranzientů nebo případných artefaktů. K epileptiformním 28

30 Obr. 4.2: EEG grafoelementy: K-komplex (a), vlny lambda (b), rytmus mí (c), hroty (d), ostré vlny (e,h), komplexy hrotů a vln (f), spánková vřetena (g), vícehrotové úseky (i) [1] epileptogenním tranzientům řádíme hroty, ostré vlny, BEDC (Benigní epileptiformní výboje dětského věku z angl. benign epileptiform discharges of childhood), PSWC (Komplexy vícečetných hrotů a pomalá vlna z angl. polyspike and wake complexes), SSWC (Pomalé komplexy hrot a vlna z angl. slow spike and wake complexes), SWC (Komplexy hrot a vlna z angl. spike and wake complexes). [16] Pro účel této práce si podrobněji popíšeme pouze K-komplexy, které lze využít při klasifikaci jednotlivých spánkových stádií. K-komplexy K - komplex je grafoelement, který se objeví na EEG záznamu během spánku. V analýze spánku je K-komplex jedním z klíčových prvků, které jsou používány pro stanovení fází spánku. NREM 2 fáze je nejčastěji detekována pomocí přítomnosti jednoho nebo více K-komplexů. V minulosti bylo opakovaně usilováno o vymezení definice K-komplexu, ale vzh- 29

31 ledem k vysoké variabilitě tohoto grafoelementu nebyla žádná všeobecně přijata. Dle literatury [17] je K-komplex definován jako přechodný jev variabilního vzhledu, který je tvořen negativní pomalou a ostrou vlnou bezprostředně následovanou menší pozitivní pomalou vlnou, viz obr.4.3. V některých definicích je navíc zmíněno spánkové vřeteno, které může ale nemusí být součástí K-komplexu. K-komplexy se během NREM spánku vyskytují spontánně nebo jako reakce na kortikální, talamický nebo smyslovou podnět. Smyslovou stimulací je myšlen vnitřní nebo vnější podnět, jako např. zvuk či dotyk Určení K-komplexů je obtížné z důvodu velké proměnlivosti EEG záznamu. Nevhodné pro pořízení EEG záznamu může být zejména bipolární snímání, protože dochází k odčítání signálu. Pokud jsou diference vzniklé mezi bipolárními elektrodami příliš malé, dochází k tomu, že EEG záznam má malý rozkmit, nejasnou polaritu a v důsledku toho nemusí být K-komplex rozpoznán. [17] Vzhledem k tomu, že vizuální identifikace K-komplexů např. v nočním záznamu je obtížná, subjektivní a časově náročná, byla vytvořena databáze charakteristických znaků a algoritmy pro detekci K-komplexů. K-komplex lze popsat pomocí několika parametrů. Tyto parametry jsou často využívány jako rozhodovací kritéria pro určení K-komplexů. Parametry charakterizující K-komplex jsou následující: negativní vlna následovaná pozitivní vlnou minimální délka trvání 0,5 s maximální délka trvání 3 s minimální výchylka K-komplexu 75 μv minimální mezivrcholový rozkmit 100 μv výchylka K-komplexu dvakrát větší než výchylka pozadí frekvence menší než 1 Hz Studie z posledních let umožnily pochopení buněčných mechanismů, které objasňují generování K-komplexů, čímž je podpořena správná klasifikace těchto grafoelementů. Více informace o vzniku K-komplexu na buněčné úrovni viz literatura [17]. K-komplex má bifázický charakter, který analogicky odpovídá dvěma fázím, přičemž fáze depolarizace, která je řízena aktivitou sympatik, reprezentuje negativní potenciál K-komplexu a naopak fáze hyperpolarizace, během které dochází k prudkému poklesu vápníkových iontů v extracelulární oblasti, představuje druhou část bifázické vlny K-komplexu.[17] První fáze spánku jsou charakterizovány nepravidelným výskytem a nízkou frekvencí K-komplexů. Jak se spánek prohlubuje dochází postupně k posunu frekvence oscilací a k tvarové morfologii. V důsledku toho by při hlubším spánku, kdy je frekvence K- komplexů vyšší, mohlo dojít k překryvu K-komplexů s delta pásmem a K-komplexy by byly hůře identifikovatelné. Z výše uvedeného důvodu, je pro hlubší stádia spánku, tj. NREM3 a NREM 4, potřeba upravit kritéria pro rozpoznávání K-komplexů.[17] 30

32 Obr. 4.3: K-komplex následovaný spánkovým vřetenem[17] 4.4 Artefakty Za EEG artefakty, viz obr 4.4, považujeme každý obraz, který není generován elektrickou aktivitou mozku. Artefakty bohužel vznikají téměř při každém EEG vyšetření, ale máme snahu je maximálně potlačit. Artefakty můžeme podle původu rozdělit do tří základních skupin: z prostředí, z EEG přístroje a z pacienta.[8][11] Ke správné identifikaci artefaktů nám pomáhá zejména tvar artefaktů, který může být pro určitý artefakt charakteristický a současně se diametrálně liší od mozkové aktivity. Dalším parametrem, který slouží k určení artefaktu je distribuce, která je především u artefaktů z EEG přístroje nefyziologická. Obvykle lze využít znalostí o hledaných frekvencích a možných artefaktech a aplikovat filtraci, která odstraní šum. [9] Obr. 4.4: Artefakty na EEG záznamu [12] Artefakty z prostředí Artefakty z prostředí jsou artefakty, které jsou z okolí pacienta a EEG přístroje. Důvodem vzniku těchto artefaktů je interference se zdroji elektrické energie nebo 31

33 jiného elektromagnetického pole z okolí EEG přístroje, která vzniká v důsledku nedostatečné izolace vodičů.[9][8] Mezi nejčastější artefakty patří zejména artefakt ze střídavého elektrického proudu - síťový brum s typickou frekvenci 50 Hz. Artefakty ze střídavého elektrického proudu se objevují při špatném uzemnění. Pro odstranění je potřeba udělat kontrolu uzemnění a natočit EEG přístroj od elektrických zásuvek. Dále do této třídy spadají artefakty způsobené okolními přístroji, které mají jinou frekvenci než je střídavý proud. Příkladem může být zvonění telefonu, činnost signalizačních systémů, WI-FI, radiové vysílání, televizní stanice, změna stavu osvětlení nebo pouhý pohyb osob v místnosti. Nezanedbatelný vliv má i přítomnost kardiostimulátoru. V neposlední řadě může za vznikem artefaktů stát rozdíl v impedanci jednotlivých elektrod, na kterých se indukují různá napětí. [9][10] Artefakty z EEG přístroje Artefakty z EEG přístroje jsou především důsledkem poruchy adaptéru, poruchy EEG přístroje nebo špatného umístění EEG čepice. Vzhledem k tomu, že EEG čepice jsou univerzální, může při nehomogenitě povrchu hlavy dojít k tomu, že čepice nebude správně umístěna. [9][8] Dalším důvodem výskytu artefaktů mohou být porušené přenosové kabely nebo elektrické součástky, jimiž protéká proud a generují šum. Konkrétně u EEG přístroje mají na generaci šumu největší vliv jeho vstupní obvody. Přesto však nejčastějšími artefakty z EEG přístroje jsou elektrodové artefakty, které mohou být způsobeny špatným kontaktem elektrod s měřeným subjektem, uvolněním nebo korozí elektrody. Proto je v první řadě potřeba provést kontrolu upevněných elektrod. Naštěstí moderní elektroencefalografy zobrazují na monitoru elektrody, které mají zvýšený odpor. Tuto elektrodu je nutné opravit očištěním pokožky pod elektrodou a následnou aplikací gelu. Druhou možností je výměna vadné elektrody, která však není možná u EEG čepice. Elektrodové artefakty mají tvar náhlých bizardních potenciálů, které jsou diametrálně odlišné od EEG aktivity.[9][10] Artefakty z pacienta Artefakty z pacienta můžeme opět dělit dle místa místa jejich vzniku např. na oční, svalové, ze srdeční činnosti, z pocení a z ORL oblasti. [11] Mezi nejvýraznější artefakty patří oční artefakty, které se vyskytují především na frontálních elektrodách a jejich zdrojem je kortikoretikální potenciál. Oční artefakty vznikají především při otevření a zavření očí. V záznamu se ale mohou objevit i mimo otevření a zavření očí, protože vlivem neklidu se chvějí víčka. Při třesu víček 32

34 je frekvence očních artefaktů poměrně vysoká. Amplituda těchto artefaktů bývá vysoká. Oční artefakty můžeme částečně eliminovat současným snímáním EOG.[10] Dalšími artefakty jsou svalové artefakty, které se v malé míře objeví v podstatě na každém EEG záznamu. Obraz svalových artefaktů je charakterizován náhle vzniklými vysokými hroty, jejichž amplituda většinou kolísá. Nejčastěji se objevují při stažení svalu v blízkosti elektrody v případě, že pacient není dostatečně uvolněný. [9] EKG artefakty neboli artefakty ze srdeční činnosti jsou artefakty, které jsou dány periodicitou srdečního rytmu a mají tedy časovou vazbu na QRS komplex. Frekvence těchto artefaktů je tedy shodná s frekvencí srdečních pulsů a často se zobrazí právě nejnápadnější část EKG, což je QRS komplex. Artefakty jsou způsobeny pohybem elektrody, která je umístěna v blízkosti tepající arterie. Artefakty ze srdeční činnosti bývají nejčastěji pozorovány u obézních pacientů, při používání kardiostimulátoru nebo při zapojení elektrod v blízkosti ušních lalůčků.[9] Artefakty z pocení jsou charakterizovány vysokou amplitudou a nízkou frekvencí kolem 0,5 Hz. Jde v zásadě o tzv.psychogalvanický reflex - kožní odpor se snižuje při emočním stresu a současně dochází ke zvýšené činnosti sympatiku, která vede k pocení a zblednutí. Tyto změny se ukážou především na čele. Pocením může také vzniknout mezi elektrodami solný můstek a tím dojde ke snížení amplitudy měřeného signálu.[11] Mezi artefakty z ORL oblasti řadíme artefakty vzniklé při žvýkání, mluvení, polykání, kašli. Tyto artefakty jsou často označovány jako složené artefakty. [11] 33

35 5 METODY DETEKCE K-KOMPLEXŮ Pro automatickou detekci K-komplexů ze spánkového EEG záznamu existuje řada algoritmů, které byly postupem času modifikovány a zdokonalovány. K nejpoužívanějším algoritmům patří detekce založená zejména na vlnkové transformaci, neuronových sítích či fuzzy logice. 5.1 Detekce vycházející z výpočtu Teagerova-Kaiserova energetického operátoru Metoda detekce K-komplexů pomocí výpočtu Teagerova-Kaiserova energetického operátoru je podrobněji popsána v literatuře A wavelet and teager energy operator based method for automatic detection of K-Complex in sleep EEG[18]. Teagerův-Kaiserův energetický operátor (TKEO) představuje odhad okamžité energie signálu. TKEO vyzdvihuje rychlé změny výchylky, čímž na výstupu TKEO dojde ke zvýšení výchylky a frekvence signálu. TKEO je tedy vhodný pro získání ostré stoupající a klesající hrany K-komplexu, viz obr Naopak v úsecích signálu, kde se nevyskytuje žádný K-komplex, pomocí TKEO potlačíme jemné přechody a aktivitu pozadí.[19] Teagerův-Kaiserův energetický operátor je odvozen z první a druhé derivace spojitého signálu v čase. Pro použití TKEO na diskrétní signál se využívá aproximace času na vzorky. TKEO pro diskrétní signál je definován následující rovnicí:[18]: Ψ T s (n) = Ψ 2 s(n) Ψ s (n 1)Ψ s (n + 1), (5.1) kde Ψ T s (n) představuje okamžitou energii signálu n-tého vzorku a Ψ s (n) značí hodnotu n-tého vzorku původního signálu, tj. signálu po průchodu dolní propustí. Pro zpřesnění detekce K-komplexu pomocí metody TKEO mohou být následně na signál po aplikaci TKEO použita např. následující rozhodovací kritéria [18], viz obr. 5.2: Minimální hodnota výchylky pro detekci A th musí být větší než 30 μv Minimální doba trvání pozitivní vlny K-komplexu na nulové linii t 1 musí být 350 ms Minimální doba trvání pozitivní vlny K-komplexu t 2 v oblasti minimální výchylky A th musí být 50 ms 34

36 Obr. 5.1: Ukázka detekce pomocí Teagerova-Kaiserova energetického operátoru. První graf představuje původní EEG záznam, druhý graf ukazuje signál filtrovaný dolní propustí, na třetím grafu je znázorněna aplikace TKEO a poslední graf představuje detekci nad stanovenou prahovou hodnotou. [19] Obr. 5.2: Rozhodovací kritéria pro detekci K-komplexu: [18] 35

37 5.2 Detekce využívající vlnkovou transformaci Vlnková transformace našla v posledních letech uplatnění zejména při analýze signálů, které můžeme označit jako nestacionární. Vlnkovou transformací není myšlena pouze jediná transformace, nýbrž souhrn transformací, které se vzájemně liší dle použitého tvaru bázové funkce nazývané jako vlnka. U vlnkové transformace jsou hodnoty spektra ovlivněny daným úsekem analyzovaného signálu, což je základní vlastností vlnkové transformace. Celý rozsah analyzovaného signálu pokrývají vlnky s nenulovými hodnotami po částech. [21] Hlavní výhodou vlnkové transformace je především schopnost časové lokalizace jednotlivých událostí v získaném spektru. Principem vlnkové transformace je v podstatě stanovené míry podobnosti dané vlnky v určitém časovém okamžiku s analyzovaným signálem. V případě, že je stanovená podobnost velká, budou vysoké hodnoty koeficientů vlnkové transformace. Koeficienty vlnkové transformace dále počítáme i pro dilatované a různě posunuté vlnky, čímž dojde k vyplnění vlnkového prostoru. [21] Vzhledem k tomu, že vlnková transformace s diskrétním časem (DTWT), kvůli podvzorkování není invariantní vůči posunu v čase, čímž dochází k tomu, že výsledek transformace je závislý na volbě počátku transformovaného signálu, je potřeba použít stacionární vlnkovou transformaci (SWT). Principem SWT je, že v každém stupni rozkladu aplikujeme vhodné filtry (horní a dolní propust), čímž získáme dvě sekvence v následující úrovni. V případě SWT není prováděna decimace signálu jako při DTWT, z čehož plyne, že signály všech úrovní budou mít stejnou délku jako signál původní. Místo decimace signálu je však u SWT modifikovat filtry v každém stupni rozkladu. Modifikace spočívá ve zředění impulsní charakteristiky nulami. [21] V prvním kroku stacionární vlnkové transformace je původní signál x(n) filtrován filtrem dolní propust g(n) a filtrem typu horní propust h(n), přičemž filtrací horní propustí získáme koeficienty tzv. detailů D a naopak filtrací doplní propustí dostaneme tzv. aproximace A. Tuto jednu úroveň rozkladu můžeme matematicky vyjádřit pomocí následujících vztahů[18]: Y high [k] = x[n] g[2k n] (5.2) Y low [k] = x[n] h[2k n] (5.3) Ukázka rozkladového stromu stacionární vlnkové transformace pro pět stupňů rozkladu je na obr

38 Obr. 5.3: Rozkladový strom - pět stupňů rozkladu: [18] Vlnku pro vlnkovou transformaci vždy volíme dle analyzovaného signálu, tak aby co nejvíce odpovídala útvaru, který chceme detekovat. Realizací rozkladu pomocí vlnkové transformace dostaneme koeficienty aproximací a detailů v jednotlivých frekvenčních pásmech. Vzhledem k tomu, že K-komplexy obsahují nízkofrekvenční složky o frekvenci přibližně 1 Hz, stačí nám např. pro vzorkovací frekvenci 200 Hz šestistupňový rozklad. Při tomto stupni rozkladu neztratíme potřebné detaily a současně eliminujeme rušivé složky signálu o vyšších frekvencích. Následně po aplikaci vlnkové transformace jsou na výsledné pásmo aplikovány rozhodovací kritéria, které jsou znázorněny na obr. 5.4 [18]: Doba trvání t total je součet doby trvání negativní a pozitivní vlny K-komplexu : t total = t positive + t negative Doba trvání K- komplexu t total je 0,5-1,5 s Doba t negative je dobou trvání negativní vlny K-komplexu na nulové izolinii a musí být delší než t total /4 Doba t positive je dobou trvání pozitivní vlny K-komplexu na nulové izolinii a musí být delší než t total /4 Strmost K-komplexu, který je daný rovnicí: strmost = (x max x min ), (5.4) (t 2 t 1 ) kde x max je maximální výchylka v kladné části K-komplexu a x min je minimální hodnota výchylky v záporné části K-komplexu, by měla být větší než 100 μv/ 0,5 s. 37

39 Obr. 5.4: Rozhodovací kritéria pro detekci K-komplexu[22] 5.3 Detekce pomocí přizpůsobeného filtru Metoda detekce K-komplexů pomocí přizpůsobeného filtru je inspirována článkem: Detection of K-complex in sleep EEG signal with matched filter and neural network [20]. Přizpůsobený filtr si může odvodit z případu, kdy potřebujeme detekovat známý signál x n v aditivní směsi se šumem y(n) = ax(n τ 0 ) + v(n). Potřebujeme zjistit, zda se známý signál ve směsi se šumem vyskytuje a popřípadě stanovit jeho umístění na časové ose, které je dáno časem τ 0, proto aplikujeme vzájemné korelační funkce [21]: R xy(τ) = Ex(n)y(n + τ) = Ex(n)ax(n + τ τ 0 )+Ex(n)v(n + τ) = ar xx (τ τ 0 )+R xv (τ) (5.5) získáme autokorelační funkci signálu x n a vzájemné korelační funkce mezi signálem a šumem. Poloha hledaného signálu v čase odpovídá maximu autokorelační funkce. Výpočet korelace dvou signálů můžeme navíc realizovat i pomocí konvoluce. Přičemž realizace probíhá pomocí lineárního FIR filtru, která provádí samotnou realizaci konvoluce vstupního signálu s impulsní charakteristikou filtru. Konvoluci vyjadřuje následující vztah[21]: kde y(n) je výstupní signál, x(n) je vstupní signál a h(n) je impulsní charakteristika. y(n) = x(n) * h(n), (5.6) 38

40 Impulsní charakteristiku, kterou vytvoříme časovou reverzí hledaného úseku - tj. v našem případě K-komplexu, lze definovat pomocí vztahu[21]: h(i) = x(n i 1), i = 0, 1,...N 1, (5.7) kde h(i) je impulsní charakteristika, x(n) je původní signál a N je počet vzorků signálu. Z výše uvedeného lze odvodit, že výstupní signál y(n) nabývá nejvyšších hodnot v okamžiku, kdy se v zašumělém signále vyskytuje hledaný K-komplex. Pro následnou detekci je nutné vhodně zvolit práh, při jehož překročení je detekován K-komplex. Vhodné nastavení prahu je důležité, protože v případě vysoké prahové hodnoty nemusí být K-komplex detekován a naopak při nízké hodnotě prahu může dojít k falešně pozitivní detekci K-komplexu. [20] Obr. 5.5: Ukázka detekce pomocí přizpůsobeného filtru. První graf představuje referenční signál, druhý graf ukazuje původní signál a na třetím grafu je znázorněna přizpůsobená filtrace. [19] 39

41 5.4 Detekce založená na pravděpodobnosti Další možnou metodou detekce K-komplexů ve spánkovém signálu EEG je pravděpodobnostní metoda. Tato metoda detekce je podrobněji popsána v literatuře Automatic K-complexes Detection in Sleep EEG Recordings using Likelihood Thresholds [28]. Tato metoda detekce využívá extrakci příznaků K-komplexů z EEG signálu a následně jsou použity prahové hodnoty pravděpodobnosti, čímž by mělo dojít k omezení detekce falešných K-komplexů. Aby však nedošlo i ke snížení správně určených K-komplexů, nejsou v metodě použity pevné prahové hodnoty. Případný K-komplex není na základě příznaků tedy ani jednoznačně zamítnut ani přijat, pouze je mu přiřazena určitá pravděpodobnost, kterou odpovídá reálnému K-komplexu. Tato pravděpodobnost je vypočtena na základě předem stanovených křivek, viz obr Z obrázku vyplývá, že útvar podobný K-komplexu s délkou trvání 0,4 s bude uvažován jako K-komplex, ale pouze s pravděpodobností 0,5 [28]. Obr. 5.6: Křivka pro stanovení pravděpodobnosti, s kterou odpovídá daný útvar reálnému K-komplexu[28] Příznaky byly vybrány tak, aby odrážely vizuální podobu K-komplexu. Většina příznaků zvolených v této metodě je získána za pomocí hlavních bodů K-komplexu. Bod t min odpovídá v K-komplexu pozici minima a val min odpovídá hodnotě výchylky minima v této pozici. Naopak bod t max představuje pozici maxima K- komplexu v intervalu (t min, t min +1s) a val max je hodnota výchylky v pozici maxima. Bod t start představuje počátek K-komplexu, přičemž pro tento bod platí, že je to lokální maximum, které je větší než hodnota val min /2 při prohledávání směrem vlevo od bodu t min. V případě, že je lokální maximum větší než nula, je jako t start 40

42 brána pozice prvního vzorku, která je větší než nula. Bod t end představuje konec K-komplexu a hodnota v tomto bodě by měla splňovat podmínku, že je menší -5 μv. Dále bod t mid1 je první bod, který je větší než nula při procházení signálu vpravo od bodu t min. A nakonec bod t mid2 je první bod, který je menší než -5μV při prohledávání doleva od bodu t end. Výše zmiňované významné body K-komplexu jsou znázorněny na obr Přičemž první graf představuje opravdový K-komplex a na druhém grafu je útvar, který neodpovídá tvaru K-komplexu [28]. Obr. 5.7: Významné body K-komplexu [28] Nyní si podrobněji popíšeme extrahované příznaky K-komplexu uvedené v literatuře [28]. První důležitou podmínkou je kontinuita negativní ostré vlny a bezprostředně následující pozitivní vlny, kterou vyjadřuje příznak f 1[28] : f1 = (t mid2 t mid1 )/(t end t start ) (5.8) Příznak f 2 charakterizuje dobu trvání K-komplexu [28] : f2 = (t end t start ) (5.9) Rozdíl mezi maximem pozitivní vlny a minimem negativní vlny K-komplexu je vyjádřen příznakem f 3 [28]: f3 = (val max val min ) (5.10) Pomocí příznaku f 4 zjišťujeme, zda je výchylka K-komplexu dostatečná v porovnáním s pozadím EEG signálu. Akceptovány jsou K-komplexy, jejichž výchylka je větší než 41

43 průměrná výchylka EEG signálu 4 s před počátkem K-komplexu. [28]: f4 = (val max val min )/min(ampleeg(t start 2 : t start ), ampleeg(t start 4 : t start 2)) (5.11) Příznak f 5 představuje střední hodnotu EEG signálu, který obklopuje K-komplex [28]: f 5 = str_hodnota_eeg_amplitudy_15s (5.12) Následující příznak představuje podíl předchozích příznaků f 3 a f 5 [28]: f6 = f3/f5 (5.13) Aby bylo splněno, že výchylka negativní vlny K-komplexu je alespoň 50 % pozitivní vlny, je v algoritmu používá algoritmus příznak f 7 [28]: f7 = abs(val min )/val max (5.14) Porovnání ostrosti negativní vlny K-komplexu a pozitivní vlny K-komplexu vyjadřuje příznak f 7 [28]: f8 = (t end t mid1 )/(t mid1 t start ) (5.15) Ostrost negativní vlny je navíc podpořena i výpočtem příznaku f 9 [28] f9 = abs(val min )/((t mid1 t start ) * f vz ), (5.16) kde f vz je vzorkovací frekvence. Následně je aplikován výpočet příznaku f 10 [28]: f10 = (val max val min )/((t end t start ) * f vz ) (5.17) Na výpočet dalšího příznaku f 11 je použita filtrace negativní ostré vlny, kde se využívá metody nejmenších čtverců LSA (Least square acceleration), jejíž výsledkem je druhá derivace aproximace paraboly k záporné vlně. Poslední příznak f 12 odpovídá relativnímu výkonu v pásmu delta. Následně je výčet výše popsaných příznaků aplikován na EEG signál, čímž získáme soubor hodnot, charakterizující případné K-komplexy. Poté autoři literatury [28] použili metodu minimální věrohodnosti a byla vypočtena globální pravděpodobnost dle vzorce: globalni_p = minimalni_verohodnost*(1 (0.1*pravdepodobnost < 0.6)) (5.18) Výsledná pravděpodobnost pro každý pseudokomplex byla získáná průměrováním globální pravděpodobnosti. Nakonec byla stanovena prahová hodnota 0.69 a pokud výsledná pravděpodobnost daného pseudokomplexu byla vyšší než prahová hodnota, byl pseudokomplex označen jako K-komplex. 42

44 5.5 Detekce pomocí umělé neuronové sítě Umělá neuronová síť je další možností jak detekovat K-komplexy ve spánkovém signálu EEG.Níže zmíněná metoda detekce K-komplexů pomocí umělé neuronové sítě je inspirována článkem: Detection of K-complex in sleep EEG signal with matched filter and neural network [20]. UNS (Umělá neuronová síť) patří mezi klasifikační metody, které obecně umožňují řešení nelineárních problémů. UNS vznikly jako analogie nervových sítí mozku a jejich činnost je založena především na procesu učení, které u neuronové sítě představuje postupnou adaptaci na řešení dané problematiky úpravou vah a prahů. Neuron, jehož schématický model je uveden na následujícím obr. 5.8, je základní stavební jednotkou každé neuronové sítě. Obr. 5.8: Model neuronu[27] Model neuronu se skládá ze tří částí: vstupní část, výstupní část a funkční část. Přičemž vstupní část se skládá ze vstupů a z nastavitelných váhových koeficientů, které určují jakou mírou budou jednotlivé vstupy zvýhodněny popřípadě potlačeny. Dalším vstupem neuronu je prahová hodnota. Na výsledek součtu je následně aplikována přenosová funkce, která bývá většinou nelineární. Výstupní část neuronu přivádí výstupní informace na vstup jiných neuronů. Matematicky můžeme funkci neuronu popsat následující rovnicí [27]: kde: y je výstup neuronu n y = F ( x i w i + θ), (5.19) i=1 43

45 F je přenosová (aktivační) funkce neuronu, která může mít různý tvar dle požadovaného výstupu. V praxi se používá mnoho aktivačních funkcí. K nejčastějším patří skoková (Heavisideova) funkce, sigmoidální funkce, hyperbolická tangentní funkce a lineární funkce (obr. 5.9). Přenosová funkce mimo jiné určuje, zda bude mít výstup neuronu spojitý nebo binární charakter w i je váha i-tého vstupu x i je i-tý prvek množiny vstupu neuronu θ je práh neuronu, přičemž překročí-li součet všech vážených vstupů neuronu tuto hodnotu, dochází k aktivaci neuronu Obr. 5.9: Aktivační přenosové funkce neuronu[27] Nejjednodušší síť složená pouze z jednoho neuronu se nazývá perceptron. Propojením dvou a více perceptronů vznikají vícevrstvé neuronové sítě (MLP -multilayer perceptron). Neurony jsou většinou sdružovány do vrstev, jak ukazuje obr Výstupy z n-té vrstvy jsou vždy přivedeny na vstup každého neuronu následující vrstvy. První vrstva se nazývá vstupní neboli rozdělovací vrstva a poslední vrstvu označujeme jako výstupní, přičemž hodnoty na jejím výstupu jsou odezvou celého systému na vstupní hodnoty. Vnitřní vrstvy se nazývají skryté. [27] Stanovení počtu vrstev a neuronů na jednotlivých vrstvách není jednoduché, protože neexistuje žádné přesné pravidlo, většinou se počet neuronů a vrstev stanovuje empiricky. Obecně pouze platí, že počet neuronů a skrytých vrstev se odvíjí od charakteru řešené úlohy. Obecně nemusí platit, že čím více neuronů a skrytých vrstev síť má, tím lepší bude dávat výsledky. Pokud je použit nízký počet neuronů, dochází k tomu, že neuronová síť nemá kapacitu na pojmutí všech závislostí při trénování. 44

46 Naopak pokud použijeme příliš velký počet neuronů dochází k výraznému prodloužení doby učení a navíc může dojít k přeučení sítě, čímž neuronová síť ztrácí schopnost generalizace. Přeučení můžeme popsat jako stav, kdy se síť příliš přesně naučí trénovací množinu dat včetně náhodných chyb. Projevem přeučení je, že síť dosahuje výborných výsledků na trénovacích datech, ale při použití na množině testovacích dat jsou výsledky velmi špatné. [27] Struktura vícevrstvé umělé neuronové sítě je znázorněna na obr Obr. 5.10: Vícevrstvá neuronová síť[27] Neuronové sítě lze rozdělit do dvou základních skupin dle struktury. Prvním druhem jsou sítě s dopředným šířením signálu, které jsou sv současné době nejvíce používány. U sítě s dopředným šířením signálu jsou výstupy z jedné vrstvy vedeny na vstup následující vrstvy, přičemž výstupy poslední vrstvy jsou výstupem z celé sítě. Do druhé skupiny patří sítě se zpětnou vazbou, které se liší od sítí s dopředným šířením signálu v tom, že výstupy z vrstvy jsou vedeny zpět na vstup dané vrstvy. Struktura neuronové sítě se zpětnou vazbou je uzpůsobena k realizaci výpočtů využívajících iterační proces. [27] Schopnost učení je jednou z nejdůležitějších vlastností umělých neuronových sítí. Rozlišujeme dva typy učení - učení s učitelem a učení bez učitele. V případě učení s učitelem předkládáme neuronové síti spolu s vstupními daty i odpovídající výstupy a síť se pomocí optimalizace vah snaží co nejvíce přiblížit skutečným výstupům. Naopak při učení bez učitele jsou síti předkládány pouze vstupy, protože výstupy sítě nejsou známy. Síť třídí vstupy do shluků dle jejich podobnosti a tyto shluky jsou následně brány jako vzory pro další vstupy. Úkolem sítě je poté najít minimální vzdálenost aktuálního vstupu od vzoru.[27] V literatuře [20], ze které tato metoda vychází, byla pro klasifikaci použita třívrstvá dopředná neuronová síť. Síť byla učena pomocí učitele, pro trénování sítě byly použity vstupní a odpovídají výstupní vektory, na základě kterých byly postupně upravovány váhy. Při učení byl aplikován algoritmus zpětného šíření chyby, 45

47 který spočívá v adaptaci vah sítě směrem od chybového výstupu postupně přes všechny vrstvy až ke vstupu. Příznaky, které byly následně použity jako vstupy UNS, byly vytvořeny za pomocí stěžejních bodů K-komplexu, které jsou znázorněny na následujícím obrázku Tyto body jsou velmi podobné bodům, ze kterých vychází metoda založená na pravděpodobnosti popsána v kapitole 5.4. Obr. 5.11: Důležité body K-komplexu [20] Bod x min a t min odpovídá minimální hodnotě pseudo K-komplexu, x max a t max odpovídá maximální hodnotě ve sledovaném intervalu, dále t start odpovídá prvnímu lokálnímu maximu před minimem a x mid a t mid představuje první hodnoty větší než nula při prohledávání zleva doprava od bodu t min. Níže jsou popsány příznak, které jsou získány na základě výše uvedených bodů. Doba trvání K-komplexu je charakterizována rovnicí [20]: f1 = (t end t start ). (5.20) Dalším parametrem je rozkmit výchylky, který popisuje vztah [20]: f2 = (x max x min ). (5.21) Pro porovnání ostrosti negativní vlny K-komplexu ve srovnání s následující pozitivní vlnou je použito následující kritérium[20]: f3 = (t end t mid )/(t mid t start ). (5.22) Pro zjištění, zda výchylka negativní vlny K-komplexu je alespoň 50% pozitivní vlny K-komplexu, se využívá vztahu [20]: f4 = abs(x min )/x max. (5.23) 46

48 Ostrost negativní vlny dle literatury [20] vystihuje následující rovnice: f5 = abs(x min )/((t mid t start ) * f vz ), (5.24) kde f vz je vzorkovací frekvence. Aby bylo zabráněno tomu, že některý z výše uvedených příznaků bude pro následnou klasifikaci dominantní, byla provedena normalizace a to tak, že hodnoty se nachází v intervalu <0;1>. Takto získané hodnoty byly následně použity jako vstup do umělé neuronové sítě, jejíž topologie je na obr Obr. 5.12: Topologie dopředné UNS [20] 47

49 6 REALIZACE DEKEKTORU K-KOMPLEXU VYUŽÍVAJÍCÍ TKEO Nyní po obeznámení se s nejčastěji používanými metodami pro automatickou detekci K-komplexů ze spánkového EEG signálu můžeme přistoupit k samotnému návrhu detekce. Při návrhu automatické detekce K-komplexů využívající Teagerův-Kaiserův energetický operátor jsem čerpala především z článku K-complex Detection in Sleep EEG Using Wavelet Transform and Statistical K-means algorithm [22] a dále A wavelet and teager energy operator based method for automatic detection of K-Complex in sleep EEG [18]. K přiblížení funkce navržené detekce bylo vytvořeno blokové schéma, viz obr Jednotlivým blokům tohoto schématu budou věnovány následující kapitoly. Obr. 6.1: Blokové schéma pro automatickou detekci K-komplexů pomocí TKEO 6.1 Předzpracování Prvním krokem zpracování EEG signálu je jejich počítačové předzpracování. Hlavním úkolem bloku předzpracování je především eliminace všech nežádoucích složek a naopak zvýraznění zajímavých složek EEG signálu. Mezi tyto nežádoucí složky patří např. šum nebo artefakty, které byly podrobněji popsány v kapitole Filtrace K nejčastějším typům předzpracování patří filtrace. Filtraci chápeme jako proces, při kterém určité složky signálu zvýrazníme a zbylé, které považujeme za rušivé, potlačíme. Vzhledem k tomu, že spektrum užitečného signálu se často prolíná se spektrem rušení, je cílem filtrace v co největší míře potlačit rušení a současně co nejmenší míře znehodnotit signál. 48

50 Filtrace spánkového EEG signálu byla realizována pomocí stacionární vlnkové transformace (SWT), protože vlnková transformace je efektivní metoda pro zpracování nestacionárních signálů ve frekvenční oblasti. Jak již bylo zmíněno výše, viz kapitola 6.2, vlnkovou transformaci je vhodné použít pro filtraci signálů nebo pro detekci charakteristických útvarů v signálu. Vzhledem k tomu, že K-komplexy se vyskytují s frekvencí okolo 1-2 Hz, je pro nás zajímavé především nízkofrekvenční pásmo 0-6 Hz, přičemž tento frekvenční rozsah nám umožní odstranit rušivé složky signálu a současně nepřijít o potřebné detaily v signálu. Úroveň rozkladu se volí podle hodnoty vzorkovací frekvence a dále dle požadovaného frekvenčního rozsahu, respektive dle toho co potřebujeme rozeznat v daném signálu EEG. Vzhledem k tomu, že vzorkovací frekvence signálu je 200 Hz a pro nás je, jak již bylo zmíněno, užitečné frekvenční pásmo 0-6 Hz, byla pro rozklad na frekvenční pásma použita šestistupňová vlnková transformace. Pro SWT byla testována bázová funkce (vlnka) db4 z rodiny Daubechies uváděná v literatuře [22] a dále vlnka sym4 z rodiny Symlet zmíněná v literatuře [18]. Přičemž při testování se více osvědčila vlnka sym4, která lépe koresponduje s tvarem vyhledávaných K- komplexů. Obr. 6.2: Bázová funkce sym4 z rodiny Symlet [23] V Matlabu je stacionární vlnková transformace realizována pomocí příkazu [SWA, SWD] = swt (x, N, wname ), kde SW A jsou koeficienty aproximací a SW D koeficienty detailů jednotlivých frekvenčních pásem. Parametrem funkce swt je x, které představuje původní vstupní signál, N reprezentující stupeň rozkladu a posledním parametrem je wname, což charakterizuje použitou vlnku. Výstupem stacionární vlnkové transformace je vždy soubor koeficientů aproximací SW A a koeficientů detailů SW D. Tento výstup je znázorněn na následujícím obrázku 6.3. Výsledné frekvenční pásmo 0-6 Hz získané pomocí SWT ukazuje obr.6.4 a

51 Obr. 6.3: Šestistupňový rozklad stacionární vlnkové transformace: vpravo detaily jednotlivých stupňů rozkladu, vlevo aproximace jednotlivých stupňů rozkladu Obr. 6.4: Ukázka filtrace pomocí šestistupňového rozkladu SWT: nahoře původní signál, dole frekvenční pásmo 0-6 Hz 50

52 Obr. 6.5: Detail filtrace pomocí šestistupňového rozkladu SWT: nahoře původní signál, dole frekvenční pásmo 0-6 Hz Normalizace signálu Vzhledem k následnému porovnávání výchylek by měla být součástí předzpracování normalizace signálu. Amplitudovou normalizací lze chápat vztažení naměřených parametrů k předem stanového referenční hodnotě. Z čehož plyne, že změníme měřítko tak, aby data náležela do určitého intervalu, přičemž nejčastěji se signál normalizuje tak, aby se jeho výchylka nacházela v intervalu <-1, 1 >. Výpočet normalizovaného signálu x norm(t) je dán následující rovnicí[24]: x norm (t) = x(t) max x(t) (6.1) Normalizace signálu je znázorněna na obr V horní části obrázku je filtrovaný signál a v druhé části obrázku je tentýž signál s hodnotami normalizovanými do intervalu <-1, 1>. 51

53 Obr. 6.6: Normalizace signálu 6.2 Aplikace TKEO V dalším bloku schématu je aplikován Teagerův-Kaiserův energetický operátor, který byl přiblížen již v kapitole 5. Cílem TKEO je zvýraznění rychlých změny v signálu a současné potlačení aktivity pozadí, viz obr Obr. 6.7: Aplikace TKEO Vzhledem k následnému použití hodnot TKEO pro určení K-komplexů, bylo přistoupeno k vyhlazení hodnot pomocí filtrace Savitzky-Golay filtrem, čímž dojde ke zvýšení poměru signál-šum aniž by došlo k výraznému zkreslení signálu [22]. V Matlabu byl Savitzky-Golay filtr realizován pomocí příkazu sgolayfilt (x, 52

54 k, f). Parametrem funkce sgolayfilt je x, které představuje původní signál, dále řád filtru k a f udává velikost okna. Řád filtru byl experimentálně nastaven na číslo 3 a velikost okna byla zvolena 161 vzorků. Ukázka filtrace pomocí filtru Savitzky-Golay je znázorněna na obr Obr. 6.8: Aplikace filtru Savitzky-Golay na TKEO 6.3 Rozhodovací parametry Na výstup předešlého bloku schématu jsou následně aplikovány rozhodovací parametry (5.5), pomocí kterých posuzujeme, zda se jedná či nejedná o K-komplex. V signálu TKEO hledáme úsek signálu, jehož výchylka je větší než A th, přičemž hodnota parametru A th byla experimentálně nastavena na 15 % maximální hodnoty energie signálu vypočtené pomocí TKEO. Následně ověřujeme, zda nalezený úsek signálu splňuje podmínku minimální délky trvání T 1, kde T 1 je 350 ms a představuje minimální dobu trvání kladné vlny K-komplexu na nulové linii. Poslední podmínkou ověřujeme, zda T 2 představující minimální dobu trvání kladné vlny K-komplexu na linii hraniční hodnoty A th je alespoň 50 ms. Útvar v EEG signálu je vyhodnocen jako K-komplex pouze v případě, že splňuje všechny výše uvedené podmínky. 53

55 6.4 Statistické vyhodnocení Pro testování detekce K-komplexů byly použity EEG záznamy pocházející ze spánkové laboratoře v Nemocnici André Vésale (Montigny-le-Tilleul, Belgie). Vzhledem k tomu, že k těmto EEG záznamům je k dispozici i odpovídající hodnocení klinickými experty, můžeme provést i statistické vyhodnocení. V programovém prostředí Matlab je nejprve nutno provést načtení dat obsahující hodnocení expertů z textového souboru a to pomocí příkazu: expert1 = dlmread( Visual_scoring1_excerpt4.txt, t,1) ;. Hodnocení expertů obsahuje pro každý signál informace o počátcích jednotlivých K-komplexů a o době jejich trvání, pomocí které lze dopočítat i konec K-komplexu. Při hledání shody mezi výsledkem automatické detekce a hodnocením expertů je v obou případech jako poloha K-komplexu bráno maximum pozitivní vlny K-komplexu. Vzhledem k tomu, že počátek ani konec K-komplexu neleží na nulové linii, což je zapříčiněno hodnocením expertů pouze pomocí kurzoru myši, se použití maxima pozitivní vlny jevilo pro vyhodnocení jako nejvhodnější. Maximum pozitivní vlny pro ohodnocené K-komplexy nalezneme snadno jako maximum mezi počátkem a koncem K-komplexu. Při hledání shody tedy porovnáváme polohu maximální hodnoty pozitivní vlny K-komplexu ohodnoceného expertem spolu s polohou maximální hodnoty pozitivní vlny K-komplexu nalezeného pomocí automatické detekce. Jako shoda je vyhodnoceno nalezení maxima pozitivní vlny K-komplexu v intervalu ±100 vzorků od polohy maxima kladné vlny K-komplexu, který byl vyhodnocen automatickým detektorem. Vzorkovací frekvence používaných signálů je 200 Hz, tudíž tento interval odpovídá 1 s, která představuje průměrnou dobu trvání K-komplexu [28]. Následně jsou pro zvolený EEG záznam a jemu odpovídající ohodnocení vypočítány jednotlivé statistické hodnoty a to dle vztahů popsaných v následující kapitole Ukázky testování detektoru Na obr. 6.9 je ukázka detekce K-komplexů založené na TKEO. Na prvním grafu tohoto obrázku je signál získaný šestistupňovým rozkladem pomocí SWT spolu s referenčními K-komplexy, které jsou znázorněny červenými svislými čarami. Hvězdičky v signálu představují K-komplexy označené automatickým detektorem. Druhý graf téhož obrázku představuje hypnogram. Z obrázku je patrné, že navržený detektor nalezl v tomto úseku signálu všechny K-komplexy, které označil daný expert. Dále si můžeme povšimnout, že označené K-komplexy zcela nekorelují s N2 a N3 fázemi hypnogramu, tak jak by se očekávalo. 54

56 Obr. 6.9: Ukázka správné detekce K-komplexů Taktéž obr.6.10 ukazuje detekci K-komplexů. První graf znázorňuje signál s K- komplexy, které byly ohodnoceny expertem. Na druhém grafu je ukázka výstupu aplikace TKEO, kde červené svislé čáry představují K-komplexy shodné s K-komplexy, které ohodnotil expert. Černé hvězdičky představují všechny K-komplexy, které označil automatický detektor, z čehož vyplývá, že hvězdičky, které se nenachází nad červenými čarami představují falešně pozitivní detekci. Následující obr představuje problém, s kterým se potýká navržený detektor. Tímto problémem je rušení. Na horním grafu je úsek signálu spolu s zeleně označenými referenčními K-komplexy. Červené hvězdičky představují nalezené K- komplexy. Barevné označení platí i pro druhý graf, kde je však namísto signálu vykreslen výsledek aplikace TKEO. Z obrázku je zjevné, že detektor si bohužel se silně zarušeným signálem nedokáže poradit a výsledkem je velmi vysoký počet falešně pozitivních K-komplexů. Obr zobrazuje další ukázku z testování detektoru. První graf opět představuje úsek EEG záznamu s referenčními K-komplexy a na druhém grafu je znázorněn hypnogram odpovídajícího úseku EEG záznamu. Z obrázku vyplývá, že detektor nenalezl na tomto úseku signálu ani jeden ze tří referenčních K-komplexů, přestože všechny korelují s N2 a N3 fází. Jako nejpravděpodobnější příčina selhání detektoru se jeví rozdílná výchylka signálu, která je na počátku signálu několikaná- 55

57 Obr. 6.10: Ukázka detekce K-komplexů Obr. 6.11: Ukázka vlivu rušení na úspěšnost detekce 56

58 sobně vyšší než v průběhu signálu. Z tohoto důvodu není vhodné zvolit pro detekci jednotný práh pro celý signál. Obr. 6.12: Ukázka špatné detekce Obdobnou situaci jako obr.6.12 zachycuje i obr Zde je na prvním grafu znázorněn signál s K-komplexy, které označil expert. Na druhém grafu je pak výstup aplikace TKEO. Z obrázku je patrné, že byl nevhodně zvolený práh pro detekci, který se počítá jako 15 % z maximální výchylky TKEO. Jako vhodnější by se zde jevilo použití adaptivního prahování, tedy stanovení prahu vždy pro určitý úsek signálu, např. pomocí plovoucího okna s překryvem. 57

59 Obr. 6.13: Ukázka nevhodně stanovené prahové hodnoty 58

60 7 REALIZACE DETEKTORU K-KOMPLEXŮ POMOCÍ UNS Při návrhu automatické detekce K-komplexů založené na klasifikaci pomocí umělé neuronové sítě jsem čerpala především z článku Automatic K-complexes detection in sleep EEG recordings using likelihood thresholds [28] a dále Detection of K-complex in sleep EEG signal with matched filter and neural network [20]. K přiblížení funkce navrženého detektoru K-komplexů založeného na klasifikaci pomocí UNS bylo vytvořeno blokové schéma, viz obr.7.1. Jednotlivým blokům tohoto blokového schématu budou věnovány následující části této kapitoly. Obr. 7.1: Blokové schéma detektoru založeného na klasifikaci pomocí UNS 7.1 Předzpracování V rámci předzpracování je signál potřeba podrobit filtraci, čímž omezíme frekvenční pásmo. Vstupní signál je vzorkován vzorkovací frekvencí 200 Hz a jeho spektrum je na obr Pro filtraci byl zvolen Butterworthův filtr typu dolní propust s mezní frekvencí 5 Hz. Mezní frekvence byla nastavena s ohledem na frekvenční složky K-komplexů. Frekvenční přenosová a fázová charakteristika navrženého filtru je zobrazena na obr Detekce významných bodů K-komplexu Dalším blokem blokového schématu automatické detekce K-komplexů je detekce významných bodů. Detekce těchto bodů je nezbytná pro následný výpočet příznakové vektoru. 59

61 Obr. 7.2: Amplitudové spektrum spánkového EEG signálu Obr. 7.3: Frekvenční přenosová a fázová charakteristika Butterworthova filtru Významné body K-komplexu chápeme jako body, které označují především počátek, konec, minimum a maximum K-komplexu, viz obr. 7.4 Tyto body byly převzaty z literatury :[28]. Při detekci významných bodů byl nejprve zvolen jeden z těchto bodů, který byl detekován v celém signálu a následně vždy v okolí tohoto bodu byly nalezeny ostatní významné body. Jako vhodné se jevilo detekovat nejprve lokální minima. 60

62 Obr. 7.4: Významné body K-komplexu: počátek t start (zeleně), konec t end (červeně), minimum idx min a maximum idx max (modře), t mid1 a t mid2 (žlutě)[28] Pro vyhledávání lokálních minim v signálu EEG byla využita v Matlabu funkce findpeaks, která však vyhledává lokální maxima. Proto bylo nejprve nutno provést inverzi dat, tj. překlopení podle osy x. Následně byla volána funkce findpeaks, která vrací hodnotu a pozici nalezeného minima: invert = - x; inverze hodnot [val min, idx min ]= findpeaks(invert, MinPeakDistance,2*f vz, MinPeakHeight, std(x)*2); Parametr funkce MinPeakDistance určuje minimální vzdálenost mezi nalezenými minimy. Při nastavování tohoto parametru na dvojnásobek vzorkovací frekvence byla využita informace, že minimální vzdálenost mezi dvěma po sobě jdoucími K- komplexy by měla být 2 s [28]. Dalším parametrem funkce findpeaks je MinPeakHeight, jehož hodnota vyjadřuje minimální výšku peaku, který má být nalezen. Hodnota tohoto parametru byla experimentálně nastavena na dvojnásobek směrodatné odchylky signálu. Pro každé minimum hledáme opět pomocí funkce vždy jedno následující maximum, pro které platí, že se nachází v intervalu (idx min, idx min + f vz ) [28] a současně je hodnota maxima větší než 1/4 hodnoty minima. Pokud takové maximum není nalezeno, pravděpodobně tvar signálu neodpovídá předpokládanému tvaru K-komplexu a proto pozici tohoto minima zahazujeme. Dalším krokem v detekci je nalezení počátku každého pseudo K-komplexu, tj. bodu t start. Nejprve hledáme lokální maximum, které se nachází na časové ose před minimem, pokud pro toto lokální maximum platí, že je větší než nula, pak je do 61

63 proměnné t start uložen index tohoto lokálního maxima. Pokud není splněna tato podmínka, tak před každým minimem hledáme pozici, kde signál protíná nulovou linii. Bod t end je určen obdobným způsobem jako bod t start, tj. za každým nalezeným maximem hledáme pozici, kde signál protíná nulovou linií. Následně pro určení bodu t mid2 prohledáváme signál směrem vlevo od bodu idx max a hledáme index i, pro který platí, že hodnota signálu v tomto bodě x i 0. Stejně určíme i bod t mid1, kdy v rámci while cyklu hledáme v signálu ve směru vpravo od bodu idx min takový index i, pro který bude platit: x i 0. Na obr. 7.5 můžeme vidět ukázku detekce významných bodů K-komplexu. Minimum a maximum je označeno modrou hvězdičkou, počátek (t start )a konec (t mid1 ) negativní vlny na nulové izolinii je označen zeleně a počátek (t mid2 ) a konec (t end ) pozitivní vlny je znázorněn černě. Svislé modré čáry představují vymezení K-komplexu expertem. Obr. 7.5: Ukázka detekce významných bodů K-komplexu 62

64 7.3 Vytvoření příznakového vektoru Dalším krokem programu automatického detektoru je vytvoření příznakového vektoru. Výpočet jednotlivých příznaků byl převzat z literatury [28] a byl popsán již v kapitole 5.5. K této sadě příznaků byl přidán příznak, který představuje energii signálu vypočítanou pomocí (TKEO), viz kapitola 5. Pro porovnání jednotlivých příznaků byla v Matlabu použita funkce boxplot, který vytvoří krabicový graf. Tento graf ukazuje rozložení hodnot pro jednotlivé příznaky. Okraje boxplotu jsou 25. a 75. percentil, odlehlé a extrémní hodnoty, tzv. outliery, jsou pak zobrazeny jednotlivě. Na obrázku 7.6 je znázorněn boxplot jednotlivých příznaků pro experta 1, kde černé krabicové grafy představují hodnoty příznaků pro K-komplexy, které byly ohodnoceny expertem a modré krabicové grafy představují hodnoty příznaků pro útvary, které nebyly ohodnoceny expertem jako K-komplexy. Z grafu je patrné, že rozložení hodnot pro tyto dvě skupiny se u většiny příznaků překrývá. Jako vhodné se především jeví použít příznak číslo 4, 5, 6 a 7. Obr. 7.6: Boxplot příznaků pro experta 1 Obdobné rozložení hodnot ukazuje i boxplot pro experta 2, viz obr. 7.7, kde by se jako vhodné jevilo pro následnou klasifikaci použít příznak číslo 4, 5, 6 a 9, protože 63

65 Obr. 7.7: Boxplot příznaků pro experta 2 Příznaky Statistická metoda 4, 5, 6 1 až 11 Senzitivita [%] 65,9 78,2 Specificita [%] 82,2 87,9 Tab. 7.1: Srovnání UNS trénovanou na redukovanou množinu příznaků zde dochází k menšímu překryvu hodnot než u ostatních příznaků. Na základě předešlé úvahy byl proveden pokus, kdy neuronové síti byly předloženy pouze příznaky číslo 4, 5 a 6. Výsledky pokusu jsou uvedeny v tabulce 7.1, kde je tato neuronová síť porovnána se sítí stejné topologie, která byla natrénována na všechny příznaky. Výsledky uvedené v tabulce představují výběr z pěti trénování sítě, kdy jako kritérium byla zvolena nejvyšší hodnota senzitivity. Na základě těchto výsledků bylo rozhodnuto ponechat v trénovací množině všechny příznaky. 64

66 7.4 Normalizace V případě velkého rozsahu hodnot trénovací množiny může dojít k nesprávnému natrénování neuronové sítě. Např. jsou-li do prvního vstupu dodána data s hodnotou od nuly do jedné a do druhého vstupu hodnoty v rozmezí od sta do tisíce, budou mít hodnoty na druhém vstupu vždy větší vliv na výstup sítě než hodnoty na prvním vstupu, čímž může dojít k nesprávné predikci. Jednou z možností jak tento problém vyřešit, je normalizovat trénovací hodnoty. S normalizací se snižují rozdíly mezi váhami jednotlivých vstupů. Z výše uvedených důvodů byla provedena normalizace jednotlivých příznaků, tak aby se hodnoty nacházely v intervalu <-1, 1>. Zkusila jsem tedy porovnat, jak se bude síť učit na normalizovaná v porovnání s nenormalizovanými daty. Vliv normalizace dat ukazuje obr. 7.8, ze kterého je patrné, že se síť na normalizovaná data natrénovala s menší chybou. Obr. 7.8: Vliv normalizace na trénování neuronové sítě 65

67 7.5 Vytvoření sady dat pro klasifikaci Jako vstupní data byly použity spánkové EEG záznamy pořízené ve spánkové laboratoři v Nemocnici André Vésale (Montigny-le-Tilleul, Belgie). Součástí této datové sady je i hodnocení dvěma experty, které obsahuje informace o počátku a délce trvání K-komplexu. Tato data byla také použita v odborné práci Automatic K- complexes detection in sleep EEG recordings using likelihood thresholds [28]. Ukázka spánkového EEG signálu s označenými počátky K-komplexů je na obr Pro klasifikaci K-komplexů pomocí umělé neuronové sítě je nejprve nutné dostupná data vhodně rozdělit na data trénovací a testovací. Trénovací množina dat slouží pro trénování sítě a měla by tedy ideálně zahrnovat oba typy učebních vzorů. Většinou se pro trénování volí 70% z dostupných dat a zbývající část dat je následně použita pro testování. Vzhledem k tomu, že rozložení K-komplexů v EEG záznamu je nepravidelné (obr. 7.9), by mohlo rozdělením každého signálu v poměru 70% trénovacích a 30% testovacích dat dojít k situaci, že v testovací části signálu se nebude nacházet žádný K-komplex. Z tohoto důvodu, bylo přistoupeno k rozdělení dat dle počtu K-komplexů nacházejících se v signálu. Do trénovací množiny dat byl tedy vždy vložen úsek signálu, ve kterém se nacházelo 70% K-komplexů. Zbývající část signálu byla následně přiřazena k testovací množině dat. Vzhledem k tomu, že bylo zvoleno učení sítě s učitelem, je třeba vytvořit výstupní vektor. Pro vytvoření tohoto vektoru použijeme referenční hodnocení signálu experty, přičemž K-komplexy označené expertem představují v tomto vektoru jedničku a ostatní útvary nulu. Výstupní vektor je třeba vytvořit pro data trénovací i testovací. Testovací výstupní vektor není však neuronové síti předkládán a slouží pouze k porovnání správnosti detekce K-komplexů. Aby výsledky klasifikace neuronové sítě nezávisely na pořadí předkládaných vzorů, byla množina trénovacích dat uspořádána náhodně, tj. bylo provedeno proházení pozic K-komplexů v trénovací matici. K promíchání pozic byla v Matlabu použita funkce randperm. 7.6 Klasifikace pomocí umělé neuronové sítě Dalším krokem programu je klasifikace K-komplexů, která byla provedena pomocí umělé neuronové sítě. V této práci byla použita vícevrstvá dopředná neuronová síť se zpětným šířením chyby. Vzhledem k tomu, že u zvolené sítě se používá učení s učitelem, bylo v předchozím kroku potřeba vytvořit trénovací a testovací množinu dat a jím odpovídající očekávaný (výstupní) vektor. Blokové schéma klasifikace pomocí umělé neuronové sítě je znázorněno na obr

68 Obr. 7.9: Spánkové EEG signály s označenými počátky K-komplexů dle hodnocení experta Obr. 7.10: Blokové schéma klasifikace pomocí UNS Návrh umělé neuronové sítě Neuronová síť byla v Matlabu vytvořena pomocí funkce newff, která má tvar: net = newff (P, T, Layers, TransFnc, TrainFnc, LearnFnc, PF), kde: P - představuje vstupní matici příznaků T - je matice požadovaného výstupu Layers - představuje počet neuronů v jednotlivých vrstvách TransFnc - udává přenosové (aktivační) funkce neuronů v jednotlivých vrstvách (např. tansig, logsig, purelin). TrainFnc - představuje zvolenou trénovací funkci sítě LearnFnc - je učící funkce vah a prahů PF - udává název funkce, která je použita pro výpočet výkonu sítě 67

69 Proměnná net poté obsahuje informace o topologii sítě, přenosových funkcích, chybových funkcích, dále hodnoty vah a prahů. Pro stanovení počtu vrstev a neuronů na jednotlivých vrstvách neexistuje žádné jednoznačné pravidlo. Obvykle se vhodné použít počet neuronů přibližně odpovídající počtu proměnných. Sítě s topologií, která představuje pouze jednu skrytou vrstvu použijeme většinou tam, kde předpokládáme lineární vztahy. Pokud předpokládáme silnou nelinearitu ve vztazích, je vhodné použít vícevrstvou síť. Pro nalezení optimální topologie sítě, bylo zvoleno několik zapojení neuronů v neuronové síti, u kterých byla vždy měřena kriteriální funkce (MSE). Průběhy těchto funkcí jsou znázorněny na obr a obr Obr. 7.11: Průběhy kriteriálních funkcí pro jednu skrytou vrstvu Jak je patrné z obr a 7.11, výkon jednotlivých sítí se zlepšoval spolu s rostoucím počtem neuronů. Nejvyšší výkon má topologie sítě 6-4 (6 neuronů v první skryté vrstvě, 4 neurony v druhé skryté vrstvě). Větší složitost v topologii sítě již zlepšení nepřinesla, proto pro detekci K-komplexů bude využita neuronová síť s topologií 6-4. Velikost vstupní vrstvy neuronové sítě je dána počtem příznaků a velikost výstupní vrstvy sítě je dána počtem klasifikačních tříd. Transformační (přenosová) funkce vypočte výstup vrstvy ze vstupu vrstvy. Tyto funkce se volí dle zkušeností, nebo experimentálně. Mezi nejčastěji používané přenosové funkce patří: lineární, hyperbolický tangent, sigmoidální nebo saturační přenosová funkce. 68

70 Obr. 7.12: Průběhy kriteriálních funkcí pro dvě skryté vrstvy Jako přenosové funkce byla do první skryté vrstvy zvolena hyperbolická tangenta (tansig), která nabývá hodnot z intervalu <-1; 1>. V druhé vrstvě byla zvolena funkce logická sigmoida (logsig), protože je méně strmá než funkce tansig, čímž nám umožní zjemněné přechodu mezi klasifikačními třídami. Funkce logsig nabývá hodnot z intervalu <0; 1>. Na výstupní vrstvě byla použita lineární funkce nabývající hodnot (, ). Lineární funkce (purelin) se často používá ve výstupní vrstvě, hlavním důvodem je linearizace přechodu mezi klasifikačními třídami. Výše uvedené funkce jsou znázorněny na obr Mimo počet neuronů, skrytých vrstev a přenosových funkcí je také nutno nastavit učící funkci. Jako učící funkce zde byla zvolena metoda learngd, která představuje gradientní sestup vah a prahů v průběhu učení. Při trénování byla pro výpočet výkonu sítě je vybrána metodou MSE, který vypočítá rozdíl mezi skutečnými a předpovídanými hodnotami. Nově vytvořenou síť je nejprve nutno inicializovat. Inicializace spočívá ve výchozím nastavení vah a prahů na nulovou hodnotu, což bylo v Matlabu provedeno nastavením parametru net.biases1,1.initfcn, který představuje inicializaci prahů na hodnotu initzero. Stejným způsobem byly inicializovány hodnoty vah vstupní vrstvy a první vrstvy. Nakonec takto nastavené parametry sítě inicializujeme pomocí příkazu init. 69

71 Obr. 7.13: Přenosové funkce jednotlivých vrstev: tansig, logsig, purelin Trénování a testování sítě Po správné inicializaci sítě přichází na řadu trénování. K tomu se využívá funkce train, ovšem nejprve je třeba vhodně nastavit parametry trénování. Prvním z parametrů trénování je parametr net.trainparam.epochs, který udává maximální počet epoch učení. V našem případě bylo experimentálně nastaveno epoch. Dalším parametrem je net.trainparam.goal, který udává při jaké hodnotě chybové funkce se má zastavit trénování sítě. Požadovaná chyba sítě byla nastavena na hodnotu 0,01. Posledním parametrem je parametr net.trainparam.lr, který je nastaven na hodnotu 0,001. Tento parametr nám udává jak se mají měnit koeficienty v závislosti na chybové funkci. V případě, že bude hodnota tohoto parametru malá, se bude síť učit pomalu, naopak bude-li vysoká bude docházet k oscilacím. Stěžejním parametrem trénovaní sítě je trénovací funkce. V rámci této práce byly otestovány tři následující funkce: traingdx je trénovací funkce, která při aktualizaci hodnot využívá gradientního sestupu s hybností a adaptivní rychlostí učení traingda je funkce, která aktualizuje váhy a hodnoty dle gradientu s adaptivním učením 70

72 trainlm aktualizuje váhy a hodnoty podle Levenberg-Marquardt optimalizace Následně vlastní proces trénovaní sítě se v Matlabu spouští pomocí funkce funkce train: [net, tr] = train (net, InputVector, TargetVector), kde: net je nastavení sítě (topologie) InputVector je matice vstupních příznaků TargetVector je matice požadovaného výstupu Trénování sítě je zastaveno v případě, že proběhne maximální počet epoch nebo když chybová funkce dosáhne požadované hodnoty. V prvním případě však nebývá dosaženo přípustné chyby, z čehož plyne, že výsledek může a nemusí být dostačující. Naopak u druhé varianty bude výsledek dostačující v případě, že k učení nebyl využit maximální počet epoch. Výstupem je naučená síť net a struktura tr obsahující kromě použitých parametrů a funkcí i výsledky učení (např. pro jednotlivé epochy: gradient, výsledky klasifikace učebních, validačních i testovacích dat udaný ve střední kvadratické chybě atd.). Během trénování neuronové sítě se zobrazí okno nástroje nntraintool, viz obr. 7.14, které zobrazuje průběh učení. V horní části tohoto obrázku je znázorněna topologie sítě, v další části použité metody učení a odchylky a následně i vlastní vývoj učení sítě. Obr. 7.14: Průběh trénování sítě v Neural Network Tollbox 71

73 (a) trainlm (206 epoch) (b) traingdx (173 epoch) (c) traingda (164 epoch) Obr. 7.15: Trénovací funkce Po natrénování sítě je třeba provést testování, čímž ověříme úspěšnost. K simulaci sítě slouží v Matlabu funkce sim. Vstupem této funkce je testovací matice příznaků, natrénovaná síť a výstupem je vektor, který představuje odezvu sítě na předložená data. K ověření výsledku učení neuronové sítě byla vytvořena validační množina dat. Během procesu trénování sítě dochází i k výpočtu chyby pro množinu validačních dat, přičemž tato chyba by stejně jako chyba pro množinu trénovacích dat klesat. Pokud ovšem chyba pro validační množinu dat začne narůstat, dojde k ukončení trénování sítě, čímž se předchází jejímu přeučení. Následující obrázek 7.15 ukazuje průběh učení neuronové sítě, respektive průběh chybové funkce. Modrá křivka udává průběh chyby u trénovacích dat, zelená u validačních a červená u testovacích. Vertikální přímka označuje nejlepší hodnotu naučení neuronové sítě ve spojení s validačními daty. Z obrázku je patrné, že nejrychlejší je metoda traingda. 72

74 Pro porovnání jednotlivých trénovacích funkcí byly vypočteny následující statistické parametry: senzitivita, specificita, PPV, FPR, přesnost a chyba, které jsou podrobněji popsány v kapitole 8.1. Tyto výše zmíněné statistické parametry byly vypočteny pro množinu testovacích i trénovacích dat u experta 1 a jejich hodnoty jsou pro přehlednost znázorněny ve sloupcových grafech na obr Obr. 7.16: Statistické hodnoty pro jednotlivé trénovací funkce (expert 1) Z obr je patrné, že nejlepších hodnot u všech uvedených parametrů dosahuje trénovací funkce traingda. Výsledky shrnující testování jednotlivých trénovacích funkcí pro oba experty jsou uvedeny v tabulce 8.4 a

75 7.6.3 Zobrazení výsledků klasifikace Cílem testování je určit počet správně zařazených K-komplexů, srovnáváme tedy K-komplexy označené naším klasifikátorem s K-komplexy, které byly označeny expertem. Tyto údaje jsou často zapsány v tzv. matici záměn (confusion matrix), viz obr Řádky v matici představují informaci o tom, jak při klasifikaci postupoval navržený klasifikátor a sloupce popisují požadovaný výstup. Zelené buňky na diagonále ukazují počet a současně procenta K-komplexů, které síť správně zařadila. Červené buňky představují chybně klasifikované K-komplexy. Součástí tabulky je i modrá buňka, která zeleně zobrazuje celkovou úspěšnost a červeně velikost chyby. Pro výpočet matice záměn byla v Matlabu použita funkce plotconfusion, která na základě rozdílů požadovaných výsledků a výsledků testování sítě vypočítá výše uvedené hodnoty. Obr. 7.17: Matice záměn (Confusion matrix) Ukázky testování detektoru Obr ukazuje úsek signálu, na kterém byla nejprve provedena detekce významných bodů (první graf) a následně klasifikace K-komplexů (druhý graf). Klasifikace K-komplexů je na druhém grafu srovnávána s referenčními hodnotami, které jsou v grafu znázorněny svislými čarami, přičemž zelená představuje K-komplexy 74

76 ohodnocené expertem 1 a růžová K-komplexy ohodnocené expertem 2. Červené hvězdičky v grafu klasifikace označují K-komplexy klasifikované pomocí neuronové sítě. Z obrázku je také patrné, že experti se v hodnocení zobrazeného úseku signálu poměrně liší, shoda nastala pouze u jednoho K-komplexu. Obr. 7.18: Ukázka správné detekce a následné klasifikace K-komplexů Na následujícím obrázku 7.19 je opět ukázka detekce významných bodů a následná klasifikace K-komplexů. Z obrázku je zjevné, že na zobrazeném úseku bylo detekováno 9 útvarů, z nichž jako K-komplexy byly neuronovou sítí klasifikovány 3 útvary, které jsou současně ohodnoceny i experty jako K-komplexy. Obr představuje úsek signálu, ve kterém byly neuronovou sítí správně označeny 2 K-komplexy, které následují bezprostředně po sobě. Jak již bylo zmíněno výše, červená hvězdička představuje útvary klasifikované neuronovou sítí jako K- komplexy a v grafu je vždy vykreslena nad minimem K-komplexu. Následující obrázek 7.21 ukazuje úsek signálu, ve kterém nebyl detekován a následně tedy ani klasifikován K-komplex určený expertem. Zmiňovaný K-komplex pravděpodobně nesplňoval některou z podmínek, které byly popsány v kapitole 7.2. Obr umožňuje porovnání úseku signálu, kde jsou klasifikovány K-komplexy, s odpovídajícím hypnogramem. Z obrázku je patrné, že K-komplexy se v delším úseku signálu sdružují do určitých oblastí, které korelují s NREM 2 a NREM 3 fázemi hypnogramu. Výskyt K-komplexů je pro obě tyto spánkové fáze charakteristický. 75

77 Obr. 7.19: Ukázka správné detekce a následné klasifikace K-komplexů Obr. 7.20: Ukázka správné detekce a následné klasifikace K-komplexů 76

78 Vzhledem k tomu, že hodnocení expertů se výrazně liší a nemůžeme s jistotou říci, které hodnocení je správné, není vyloučeno, že útvary vyskytující se právě v těchto spánkových fázích a klasifikované neuronovou sítí jako K-komplexy, by nemohly být taktéž K-komplexy. Obr. 7.21: Chybná detekce významných bodů Obr. 7.22: Variabilita K-komplexů, které byly ohodnoceny experty Obr.7.22 poukazuje na rozdíly mezi K-komplexy, které byly ohodnoceny experty. Rozdíl je patrný zejména ve výchylce a tvaru označených K-komplexů. Na obr je zobrazen úsek signálu, kde je špatně detekované maximum pozitivní vlny u prvního útvaru. Nesprávně určený bod může zapříčinit odlišné hodnoty příznaků pro tento útvar, které mohou mít za následek špatnou klasifikaci útvaru. 77

79 Obr. 7.23: Ukázka klasifikace K-komplexů pomocí UNS a porovnání s hypnogramem Obr. 7.24: Chybná detekce významných bodů 78

80 8 STATISTIKA 8.1 Statistické metody Pro posouzení účinnosti detekce K-komplexů lze využít několik ukazatelů. Mezi nejčastěji používané statistického metody patří senzitivita (T P R) a specificita (T NR). Senzitivita udává pravděpodobnost, že detekce bude v případě přítomnosti K-komplexu v signálu pozitivní. Senzitivitu vyjadřuje následující rovnice [26]: T P R = T P T P + F N 100[%], (8.1) kde T P (true positive) je počet vstupů, které byly automatickým detektorem a současně i expertem označeny za K-komplex a F N(false negative) je počet vstupů, které expert ohodnotil jako K-komplex, ale detektorem nebyly detekovány. Specificita představuje pravděpodobnost, že detekce bude v případě nepřítomnosti K-komplex v signálu negativní. Specificitu lze popsat následujícím vztahem [26]: T NR = T N T N + F P 100[%], (8.2) kde F P (false positive) je počet vstupů, které byly detekovány jako K-komplex, ale expertem nebyly označeny a T N (true negative) je počet vstupů, které nejsou označeny jako K-komplex automatickým detektorem ani expertem. Neexistující způsob určení hodnoty T N lze řešit pomocí aproximace [28], kdy bereme v úvahu, že průměrná doba trvání K-komplexu je přibližně 1 s, přičemž délka testovacích dat je 1800 s, z čehož plyne, že takový signál obsahuje 1800 potencionálních K-komplexů. [28]: Použitím této aproximace lze hodnotu T N vypočítat dle následujícího vztahu T N = 1800 T P F N F P (8.3) Další často využívanou statistickou hodnotou je F P rate, která udává pravděpodobnost, že detekce bude v případě nepřítomnosti K-komplexu v signálu pozitivní. F P rate vypočítáme použitím vztahu [26]: F P R = F P F P + T N 100[%] = 100 T NR. (8.4) Dalším parametrem určující úspěšnost detekce je pozitivní prediktivní hodnota (P P H), která vyjadřuje pravděpodobnost, že K-komplex detekovaný automatickým detektorem je opravdový K-komplex. Pozitivní prediktivní hodnota je vyjádřena vzorcem [26]: 79

81 T P P P V = 100[%]. (8.5) T P + F P Další možným parametrem, který taktéž poukazuje na účinnost detektoru je celková chybovost (CH), která představuje poměr mezi falešně určenými K-komplexy a všemi K-komplexy v signálu. Celkovou chybovost lze vyjádřit [26]: F N + F P Chyba = 100[%], (8.6) F P + F N + T N + T P Posledním statistickým parametrem využívaným v této práci je celková správnost, která nám udává podíl správně klasifikovaných K-komplexů ze všech testovaných K- komplexů. Celkovou správnost vypočítáme pomocí vztahu [26]: P řesnost = 8.2 Referenční hodnoty T N + T P F P + F N + T N + T P 100[%], (8.7) Spolehlivost automatické detekce K-komplexů byla testována na datech, která pochází ze spánkové laboratoře Nemocnice André Vésale (Montigny-le-Tilleul, Belgie). Data obsahují deset třicetiminutových záznamů, které byly extrahovány z celonočního záznamu. Signály byly snímány jako součást PSG vyšetření a pochází od zdravých jedinců ve věku let. Vzorkovací frekvence signálů je 200 Hz. K dispozici jsou i výsledky hodnocení dvěma nezávislými lidskými experty, přičemž expert 1 ohodnotil všech deset záznamů a expert 2 ohodnotil pouze prvních pět záznamů. Vzhledem k tomu, že hodnocení těchto dvou expertů se výrazně liší jak v počtu, tak v poloze ohodnocených K-komplexů, je vhodné provést srovnání. Srovnání lze udělat pouze na signálech, které byly ohodnoceny oběma experty, tj. prvních pět záznamů. Porovnání experta 1 a experta 2, co do počtu ohodnocených K-komplexů ukazuje tabulka 8.1, ze které je patrné, že expert 1 označil 208 K-komplexů a expert 2 označil pouze 64, přičemž pro 41 K-komplexů se shodují. Ukázka signálu, ve kterém byly K-komplexy označeny expertem 1 (černě) a expertem 2 (červeně) je na obr Z obrázku je zjevný rozdíl mezi hodnocení jednotlivými experty. Následně pro porovnání shod dvou expertů byl použit výpočet výše popsaných statistických parametrů. Nejprve byly polohy K-komplexů označené expertem 1 porovnány vůči expertovi 2, jehož polohy K-komplexů byly brány jako referenční a naopak pro výpočet statistických parametrů pro experta 2 byly jako referenční brány K-komplexy označené expertem 1. Výsledky porovnání hodnocení expertů, kdy druhý expert je vždy brán jako referenční, jsou zahrnuty v tabulce

82 Počet ohodnocených K-komplexů signál expert 1 expert celkem Tab. 8.1: Počet ohodnocených K-komplexů experty expert 1 expert 2 TP TN FP FN TPR[%] 64,0 19,7 TNR [%] 98,1 99,7 FPR [%] 1,9 0,3 PPV [%] 19,7 64 Chyba [%] 2,1 2,1 Přesnost [%] 97,8 97,8 Tab. 8.2: Přehled statistických parametrů pro porovnání hodnocení expertů vzájemně vůči sobě 81

83 Obr. 8.1: Ukázka signálu s K-komplexy označenými expertem 1 a expertem 2 Z výše uvedené tabulky 8.2 je patrné, že expert 1, který označil větší počet K - komplexů má vyšší senzitivitu (TPR) něž expert 2. Je to dáno tím, že expert 1 označil více K-komplexů a tudíž počet K-komplexů, které na rozdíl od experta 2 neoznačil, je mnohem menší než v opačném případě. 8.3 Spolehlivost V následujících podkapitolách je popsána spolehlivost metod realizovaných v této práci. Statistické vyhodnocení bylo provedeno vždy samostatně, tj. pro EEG záznamy hodnocené expertem 1 a následně zvlášť pro záznamy, které byly hodnoceny expertem 2. Vzhledem k tomu, že EEG záznamy spolu s ohodnocením K-komplexů experty, na kterých jsou detektory realizované v této práci testovány, byly použity také v odborné práci Automatic K-complexes detection in sleep EEG recordings using likelihood thresholds [28], lze provést srovnání statistických parametrů navržených detektorů s hodnotami uváděnými v článku Spolehlivost metody detekce využívající TKEO Přehled výsledků pro metodu detekce využívající Teagerův-Kaiserův energetický operátor je shrnut v tabulce 8.3. Z tabulky 8.3 je zřejmé, že navržený detektor má vyšší specificitu (TNR) a nižší senzitivitu (TPR), což poukazuje na vyšší počet falešně negativních detekcí a nižší počet falešně pozitivních detekcí. Pozitivní prediktivní hodnota je velmi nízká, což značí velký počet falešně pozitivních detekcí v porovnání s počtem správných detekcí a tudíž nízkou pravděpodobnost, že útvar označený automatickým detektorem bude skutečný K-komplex. Srovnáme-li však PPV navrženého detektoru s hodnotou 82

84 expert 1 expert 2 TPR[%] 52,9 68,8 TNR [%] 97,7 97,3 FPR [%] 2,3 2,7 PPV [%] 26,3 15,2 Chyba [%] 3 2,9 Přesnost [%] 97,0 97,1 Tab. 8.3: Přehled úspěšnosti detekce pro metodu využívající TKEO PPV vypočtenou pro experta 1, kde jako referenční byly brány K-komplexy ohodnocené expertem 2 (viz tabulka 8.2), vidíme, že se tyto dvě hodnoty nijak výrazně neliší. Hodnota FPR, chyba a přesnost detektoru je taktéž srovnatelná s hodnotami uvedenými v tabulce 8.2. Vezmeme-li jako referenční hodnoty pro vytvoření statistiky hodnocení experta 1, vidíme, že senzitivita (TPR) je 52,9 %, specificita (TNR) je 97,7 % a FPR vyšla 2,3 %. Srovnáme-li tyto statistické hodnoty s výsledky prezentovanými v článku Automatic K-complexes detection in sleep EEG recordings using likelihood thresholds [28], kde je senzitivita 61,72 %, FPR je 0,53 % a specificita dopočítána dle vzorce 8.4 je 99,47 %, můžeme konstatovat, že detekce využívající TKEO má statisticky horší výsledky než automatický detektor popsaný ve výše uvedeném článku. Z tabulky 8.3 je také patrné, že navržený detektor dosahuje lepších výsledků, v případě, kdy jako referenční hodnoty byly brány K-komplexy ohodnocené expertem 2. Senzitivita pro tento případ je 68,8 %, specificita je 97,7 % a FPR dosahuje hodnoty 2,7 %. V článku je uvedena senzitivita 60,97 %, FPR 1,53 %, z čehož vyplývá specificita 98, 47 %. Z porovnání je patrné, že navržený detektor vykazuje co se týká senzitivity lepší výsledek, než detektor prezentovaný v článku Spolehlivost metody detekce založené na UNS Výsledky spolehlivosti metody detekce K-komplexů využívající klasifikaci pomocí umělé neuronové sítě jsou zahnuty v tabulkách 8.4 a 8.5. Tabulky uvádí přehled úspěšnosti detekce na testovacích datech pro různé trénovací funkce, přičemž je na první pohled patrné, že nejlepších výsledků dosahuje detekce s trénovací funkcí traingda a to jak pro srovnání s expertem 1 tak pro 83

85 srovnání s expertem 2. Z tabulek je také zjevné, že navržený detektor dosahuje lepších výsledků, pro případ, kdy byly jako referenční hodnoty zvoleny K-komplexy ohodnocené expertem 1. Nižší úspěšnost klasifikace pro EEG záznamy ohodnocené expertem 2 lze přisuzovat menšímu počtu ohodnocených K-komplexů (viz tabulka 8.1), na kterých byla síť natrénována a následně otestována. Druhou možností, která mohla zapříčinit zmiňovanou nižší úspěšnost, může být např. nevhodné sestavení trénovací a testovací množiny a případné přeučení. Vzhledem k rozdílným hodnotám úspěšnosti klasifikace na testovacích a trénovacích datech ohodnocených expertem 2 nelze tuto možnost zcela zamítnout. Naopak hodnoty úspěšnosti dosažené na množině testovacích a trénovacích dat, které byly ohodnoceny expertem 1, jsou srovnatelné. Pro srovnání dosažených výsledků s hodnotami prezentovanými v článku Automatic K-complexes detection in sleep EEG recordings using likelihood thresholds [28], se jeví jako vhodnější použít výsledky, kterých bylo dosaženo na testovacích datech. Tyto hodnoty jsou uvedeny v tabulce 8.4. Vezmeme-li jako referenční hodnoty pro výpočet statistických parametrů experta 1, pro trénovací funkci traingda dosahuje senzitivita (TPR) hodnoty 83,6 % a specificita (TNR) je 99,5 %. Srovnáme-li tyto hodnoty se senzitivitou 61,72 % a specificitou 99,47 % uvedenou v článku, můžeme konstatovat, že navržená metoda detekce využívající klasifikaci pomocí UNS dává statisticky lepší výsledky než detektor prezentovaný v článku. Totéž bohužel nelze říct o statistických hodnotách, kterých bylo dosaženo, když jako referenční hodnoty byly zvoleny K-komplexy ohodnocené expertem 2. Článek uvádí hodnotu senzitivity 68,8 % a hodnota senzitivity realizovaného detektoru je pouze 64,7 %. 84

86 Expert 1 Expert 2 Trénovací funkce traingda traingdx trainlm traingda traingdx trainlm TPR [%] 83,6 76,9 72,7 64,7 58,8 46,6 TNR [%] 99,5 99,2 99,1 99,8 99,4 99,7 PPV [%] 63,8 61,2 58,6 52,4 49,3 42,4 FPR [%] 0,48 0,7 0,8 0,18 0,52 0,13 Chyba [%] 99,3 99,2 99,0 99,6 99,4 99,5 Přesnost [%] 0,66 0,8 0,95 0,32 0,55 0,43 Tab. 8.4: Přehled úspěšnosti detekce na testovacích datech pro trénovací funkce traningda, traingdx a trainlm Expert 1 Expert 2 Trénovací funkce traingda traingdx trainlm traingda traingdx trainlm TPR [%] 84, ,5 76,4 71,4 76,6 TNR [%] 99,7 99,3 99,1 99,6 99,3 99,6 PPV [%] 81,2 78,4 80,4 82,7 88,2 84,7 FPR [%] 0,27 0,2 0,14 0,06 0,04 0,03 Chyba [%] 99,5 99,5 99,8 99,6 99,4 99,6 Přesnost [%] 0,48 0,48 0,18 0,36 0,57 0,32 Tab. 8.5: Přehled úspěšnosti detekce na trénovacích datech pro trénovací funkce traningda, traingdx a trainlm 85

87 8.3.3 Srovnání realizovaných metod Pro srovnání metod realizovaných v této práci byl určen počet K-komplexů, které byly označeny oběma metodami a současně i expertem jako K-komplex. Výsledky tohoto srovnání jsou pro přehlednost uvedeny v tabulce 8.6. V této tabulce je kromě počtu shodně označených K-komplexů (shoda) uveden pro porovnání i počet K- komplexů, které byly ohodnoceny daným expertem. Z tabulky je zjevné, že pro většinu signálů byla nalezena shoda pro K-komplexy detekované různou metodou. Nulové hodnoty jsou zapříčiněny nulovou hodnotou TP pro metodu využívající TKEO. Obr. 8.2 ukazuje srovnání výstupu obou metod spolu s K-komplexy, které byly označeny expertem 1. Na prvním grafu jsou červeně znázorněny K-komplexy ohodnocené expertem, na druhém grafu jsou růžovou barvou označeny K-komplexy, které byly detekovány metodou využívající TKEO a na posledním grafu jsou K-komplexy klasifikované pomocí UNS. Z obrázku je patrné, že obě navržené metody se v označení některých K-komplexů shodují. Taktéž je z obrázku zjevná i shoda mezi K-komplexy označenými jednotlivými detektory a expertem. Obr. 8.2: Srovnání výstupu metod s K-komplexy označenými expertem Obr. 8.3 ukazuje blíže shodu v detekci obou metod. Je zde vykreslen tentýž signál jako na předchozím obrázku, pouze s tím rozdílem, že na druhém grafu jsou růžovou barvou vyznačeny K-komplexy, které byly shodně označeny oběma metodami a současně byly jako K-komplexy ohodnoceny i expertem. 86

88 Expert 1 Expert 2 Signál Shoda Ohodnoceno Shoda Ohodnoceno X X X X X X X X X X Celkem Tab. 8.6: Počet K-komplexů shodných pro obě realizované metody Obr. 8.3: Ukázka signálu s K-komplexy shodnými pro oba detektory Při srovnání metod detekce K-komplexů je vhodné porovnat i výpočetní náročnost, ve které jednoznačně dominuje metoda detekce využívající TKEO. 87